让bam满足velocyto的特别要求

RNA velocity基于细胞中spliced和unspliced的mRNA比例，来计算基因表达变化的速率，以此来预测细胞的发育轨迹。由于基于mRNA的剪切信息，所以分析前的第一步是统计基因的spliced和unspliced情况。为此，velocyto已经给市面上应用较广的几种单细胞测序方法，如10X、SmartSeq2、DropSeq和InDrops，准备好了流程，直接使用即可。对于其他的方法，可以用更通用的流程来解决。

但是，需要注意的是所有的方法都要求bam满足以下几个条件：

通常单细胞分析流程比对生成的bam已经满足上述的条件，但总有一些特殊情况，比如这里分析的单细胞bam文件就不满足后面两个条件，这个时候就得动动手添加这些信息让bam满足条件了。

samtools view sample_SortedByCoordinate.bam | cut -f1-5 | head -n
GCCAGTGGCTGCTCTCT_GGGTCCGATGTG_M_E250067759L1C038R00103391476   16      chr1    11525   3
TCTACATATGGCTCTCA_AGAAATGCGTCT_M_E250067759L1C010R00804308263   16      chr1    11541   255
TGATCAGATGGGCTGTG_TAGCGGGGTAGA_M_E250067759L1C040R03405004208   16      chr1    11576   255

这个流程生成的bam将CB、UB信息添加到read name里面，如上面所示，以下划线为分割，前两个分别是CB、UB。那么，只需将这两个信息作为TAG添加到bam里面即可。搞清楚了需求和数据来源，接下来就是行动的问题了。这个小需求，但凡会使用awk命令，再结合samtools就可以解决。

但是，为了方便以后复用，这里写了一个python脚本来做这个事情：

python addtag2bam.py --help
usage: python addtag2bam.py -i input [options]

This script is used to add CB and UB tag for bam accordding to read header.

optional arguments:
  -h, --help            show this help message and exit
  -i INPUT [INPUT ...], --input INPUT [INPUT ...]
                        bam file multiple separated by space.
  -b BC_PATTERN, --bc-pattern BC_PATTERN
                        barcode pattern, C: cell barcode, X: other, U: umi, [default: "CCCCCCCCCCCCCCCCCXUUUUUUUUUUUU"].
  -p [OUTPUT [OUTPUT ...]], --output [OUTPUT [OUTPUT ...]]
                        the output name, [default: None].
  -t THREAD, --thread THREAD
                        thread number, [default: "sample number"].
  -o OUTDIR, --outdir OUTDIR
                        the output directory, [default: "input directory"].

写成这样的脚本，只要是CB、UB信息包含在read name里面的情况，都可以轻松搞定，因为这里提取TAG信息时用了位置匹配。

python addtag2bam.py -i sample1_SortedByCoordinate.bam sample2_SortedByCoordinate.bam 

如果CB、UB模式跟这里不同，只需根据自己的实际情况修改--bc-pattern参数即可。