picard_cpp/src/sam/markdups/serial_md.h

#pragma once

#include <common/hts/bam_buf.h>
#include <robin-map/include/tsl/robin_map.h>
#include <sam/utils/read_ends.h>

#include <set>
#include <string>
#include <vector>

using std::set;
using std::string;
using std::vector;

/* 存放未匹配readend相同位点的所有readend */
struct UnpairedREInfo {
    int64_t taskSeq;
    ReadEnds unpairedRE;
};

/* 对于一个pair数据，一个完整的计算点，包含read1的比对位置和read2的比对位置 */
struct CalcKey {
    int64_t read1Pos;
    int64_t read2Pos;
    bool operator<(const CalcKey &o) const {
        int comp = (int)(read1Pos - o.read1Pos);
        if (comp == 0)
            comp = (int)(read2Pos - o.read2Pos);
        return comp < 0;
    }
};

/* 用来记录冗余索引相关的信息 */
struct DupInfo {
    int64_t idx;
    int64_t repIdx = 0; // 这一批冗余中的非冗余read 代表的索引
    int16_t dupSet = 0;  // dup set size

    DupInfo(int64_t idx_) : DupInfo(idx_, 0, 0) { }
    DupInfo(int64_t idx_, int64_t repIdx_, int dupSet_) : idx(idx_), repIdx(repIdx_), dupSet(dupSet_) {}
    bool operator<(const DupInfo &o) const {
        return idx < o.idx;
    }
    bool operator>(const DupInfo &o) const {
        return idx > o.idx;
    }
    operator int64_t() const {
        return idx;
    }
};

/* 当遗留数据在当前任务找到了pair read后，进行冗余计算时候存放结果的数据结构 */
struct TaskSeqDupInfo {
    set<DupInfo> dupIdx;
    set<int64_t> opticalDupIdx;
    set<int64_t> notDupIdx;
    set<int64_t> notOpticalDupIdx;
};

/* 保存有未匹配pair位点的信息，包括read end数组和有几个未匹配的read end */
struct UnpairedPosInfo {
    int unpairedNum = 0;
    int64_t taskSeq;
    vector<ReadEnds> pairArr;
    set<string> readNameSet;
};
// typedef unordered_map<string, UnpairedREInfo> UnpairedNameMap;
// typedef unordered_map<int64_t, UnpairedPosInfo> UnpairedPositionMap;

typedef tsl::robin_map<string, UnpairedREInfo> UnpairedNameMap;  // 以read name为索引，保存未匹配的pair read
typedef tsl::robin_map<int64_t, UnpairedPosInfo> UnpairedPositionMap;  // 以位点为索引，保存该位点包含的对应的所有read和该位点包含的剩余未匹配的read的数量

/* 单线程处理冗余参数结构体 */
struct SerailMarkDupArg {
    int64_t taskSeq; // 任务序号
    int64_t bamStartIdx;  // 当前vBam数组中第一个bam记录在整体bam中所处的位置
    vector<BamWrap *> bams;  // 存放待处理的bam read
    vector<ReadEnds> pairs; // 成对的reads
    vector<ReadEnds> frags; // 暂未找到配对的reads
    set<DupInfo> pairDupIdx;         // pair的冗余read的索引
    set<int64_t> pairOpticalDupIdx;  // optical冗余read的索引
    set<DupInfo> fragDupIdx;         // frag的冗余read的索引
    UnpairedNameMap unpairedDic;     // 用来寻找pair end
    UnpairedPositionMap  unpairedPosArr;  // 存放未匹配的ReadEnd对应位点的所有ReadEnd，为了避免重复存储
};

/* 全局保留的数据，因为有些paired数据比对到了不同的染色体，相距甚远 */
struct GlobalDataArg {
    UnpairedNameMap unpairedDic;  // 用来寻找pair end
    UnpairedPositionMap unpairedPosArr;

    // 每个task对应一个vector
    vector<vector<DupInfo>> dupIdxArr;
    vector<vector<int64_t>> opticalDupIdxArr;

    // 用来存放后续计算的数据
    vector<set<DupInfo>> latterDupIdxArr;
    vector<set<int64_t>> latterOpticalDupIdxArr;
    vector<set<int64_t>> latterNotDupIdxArr;
    vector<set<int64_t>> latterNotOpticalDupIdxArr;
};

// 串行运行mark duplicate
void serialMarkDups();