Python Snakemake：将多个输入用于具有多个子组的一个输出的规则

我有一个工作管道，用于下载、对齐和执行对公共测序数据的变体调用。问题是，目前它只能在每个样本的基础上工作（即样本作为每个单独的测序实验）。如果我想对一组实验（例如样本的生物和/或技术复制）执行变量调用，那么它就不起作用。我试着解决它，但没能成功

下面是对齐规则的简化：

rule alignment:
    input:
        rules.download.output.fastq
    output:
        '{group}/alignment/{sample}.bam'
    shell:
        "bash scripts/02_alignment.sh {wildcards.group} {wildcards.samples}"

对于变量调用也是如此：

rule variant_calling:
    input:
        rules.alignment.output
    output:
        '{group}/variants/{sample}.vcf.gz'
    shell:
        "bash scripts/03_variant_calling.sh {wildcards.sample} {wildcards.group}"

这很好，因为为每个对齐的

.bam

文件生成了一个

.vcf

文件。但是我想做的是从任意数量的

.bam

文件生成一个

.vcf

文件。我有一个

pandas

数据框，包含所有

sample

名称及其对应的

组

。基本上，我想将第二条规则的

输出

更改为

'{group}/variants/{group}.vcf'

，但我所做的一切都以某种方式失败了

我的想法是提供规则，将所有按组排列的

.bam

文件作为输入，然后只给脚本它运行它们所在的目录。问题是，我找不到一种方法以这种按组的方式提供输入：要么按样本提供（作为工作管道），要么为每个组变量调用提供所有

.bam

文件，而不管它们实际上属于哪个组。我不能只使用通配符，因为

{sample}

通配符不存在于最后的输出中。我还尝试使用函数作为输入，但这会导致与上面相同的问题

问题的关键似乎是分组的层次：如果我想对数据集中所有对齐的

.bam

文件执行变量调用，那么这可能会很好，请给出我上面提到的问题。整个数据集的子组会出现问题：

  sample1      sample2             sample1      sample2      sample3
     |            |                   |            |            |
     |            |                   |            |            |
     --------------                   ---------------------------
            |                                      |
            |                                      |
          group1                                 group2

---

关于如何解决这个问题，您有什么想法吗？

您必须使用某种结构将样本分组保存：

GROUPS = {
    "group1":["sample1","sample2"],
    "group2":["sample1","sample2","sample3"]
}

然后像这样：

rule all:
    input:
         expand("{group}/variants/{group}.vcf.gz", group=list(GROUPS.keys()))

rule alignment:
    input:
        rules.download.output.fastq
    output:
        '{group}/alignment/{sample}.bam'
    shell:
        "bash scripts/02_alignment.sh {wildcards.group} {wildcards.samples}"

rule variant_calling:
    input:
        lambda wildcards: expand("{group}/alignment/{sample}.bam", group=wildcards.group, sample=GROUPS[wildcards.group]
    output:
        '{group}/variants/{group}.vcf.gz'
    shell:
        "bash scripts/03_variant_calling.sh {input} {output}"

当然，有些规则你没有显示出来，但我想你会明白的

规则变量_调用中的shell命令可能很难处理，但您始终可以将目录定义为如下参数：

params: groupAlignDir = "{group}/alignment"

在外壳中使用：

"bash scripts/03_variant_calling.sh {params.groupAlignDir} {output}"

---

并在脚本“variant\u calling.sh”中获取目录中的所有bam文件

哦，太好了！我总是以“样本到组”的方式思考，而不是将组中的所有样本列为输入。获取输入目录时，我使用

$（dirname{input[0]}）

作为脚本的参数，因为这与我使用的其他东西类似。非常感谢你的帮助！