Nat Rev Genet综述 | 长读长测序时代的小变异检测

人类基因组中最常见的个体间差异，并非大片段的缺失或倒位，而是长度不足50个碱基的小变异——单核苷酸替换与短插入缺失。它们构成人群遗传多样性、复杂性状与孟德尔疾病的遗传基础，也是精准医学解读的起点。过去十余年，短读长测序支撑了千人基因组、gnomAD与UK Biobank等大规模计划【1】，但150～300 bp的读长无法跨越更长的重复序列：一条读段可以同等合理地比对到多个位置，流程只能丢弃这些模糊比对。以GRCh38为例，约8%、接近2亿个碱基的区域因此对短读长“不可见”；而参考基因组本身又缺失了大量重复序列，真实的盲区更大。

近日，香港大学计算与数据科学学院罗瑞邦团队联合美国贝勒医学院、莱斯大学Fritz J. Sedlazeck在Nature Reviews Genetics发表题为Small variant calling in the era of long-read sequencing（长读长测序时代的小变异检测）的综述文章。文章以胚系、新发、嵌合与体细胞四类变异以及DNA、bulk RNA与单细胞三种测序模态为线索，系统梳理了深度学习、从头组装与泛基因组三条计算路线，并分析了当前算法在重复序列、低频突变及复杂基因组区域中的准确性瓶颈。

变异的生物学来源决定算法如何计算

变异的生物学来源，决定了它必须被如何计算。胚系变异的VAF稳定在50%与100%，是极强的先验，主要矛盾不是区分噪声与信号，而是把变异放到正确的基因组坐标上。新发变异则必须借助家系：长读长把父母基因型作为统计先验，再通过跨多个杂合位点的物理定相，把变异锚定到母源或父源单倍型。已有工作用ONT测序把UBE3A的新发致病移码变异定相到母源等位基因，支持了Angelman综合征的诊断；duoNovo、HAT与Clair3-Nova等算法，则能在数百万遗传变异的背景中稳定识别出仅几十个新发事件，并同时给出亲本来源。

嵌合与体细胞变异走向另一个极端：VAF从不足1%连续分布至接近杂合水平，并随发育时间、肿瘤纯度与亚克隆扩增而漂移。任务从“判断杂合还是纯合”变成“定量估计等位基因比例”，而真正的嵌合信号可能只有几百个，却淹没在数百万个噪声候选之中。配对肿瘤—正常测序仍是金标准，缺乏正常对照时只能依赖正常样本库（panel of normals）在灵敏度与精确度之间取舍；传统上，低频变异需要200×至1000×的超深覆盖。长读长的价值在于，它能证明一个低频变异与同一单倍型上的邻近等位基因物理连锁，把“统计上可疑”的信号变成“属于某个细胞谱系”的证据，再叠加拷贝数变异提供的局部倍性背景，挽救大量原本会被过滤的变异。

图1｜变异的发育起源、等位基因频率分布与近十年的工具演进。a，遗传性胚系、新发、嵌合与体细胞变异的发生阶段、细胞分布及典型VAF；b，2016—2025年代表性小变异检测工具（按胚系、体细胞/嵌合、bulk RNA、单细胞着色）与PrecisionFDA、T2T-CHM13、SMaHT等重要节点。

长读长不是“更长的短读长”

两种主流平台走了不同的工程路线。PacBio通过环形一致性测序反复读取同一环化DNA分子，以统计方式抵消随机聚合酶错误，得到长10～20 kb、准确率超过99.9%的高保真（HiFi）读段；ONT则测量DNA穿过蛋白纳米孔时的离子电流变化，在读长上更为激进，优化条件下常超过100 kb，但错误率更高。二者都直接测序天然DNA，因而顺带保留了碱基修饰信息，使变异与表观遗传景观可以在一次测序中同时获得。

但长读长的错误并非均匀分布，而是高度依赖序列语境。ONT在重复区域产生随重复长度增加的indel错误，长同聚物与二核苷酸重复尤甚；PacBio的残余错误同样集中在同聚物。PacBio约75%的不一致indel检出位于同聚物内或邻近区域；典型重复区的indel表现可降至约70%，在长度超过11 bp的长同聚物中甚至跌破20%；基于T2T-HG002的评估还显示，ONT原始读段的indel错误率约为PacBio的1.7倍。当SMN1与SMN2在28 kb内保持99.9%以上的序列一致性时，再长的读段也无法消除比对歧义。换言之，读段能够物理跨越复杂区域，并不等于变异就能被准确检出。

在RNA与单细胞中，噪声换了一副面孔

同样的逻辑延伸到RNA与单细胞。长读长RNA测序把变异与表达直接连接：Iso-Seq与MAS-Seq以HiFi读段生成全长cDNA目录，ONT的直接RNA测序则不经逆转录与扩增，直接读取天然RNA分子。但RNA覆盖度天然跟随基因表达，而非均匀铺满基因组；等位基因特异性表达（ASE）会让真正的杂合位点表现为纯合甚至完全消失；A-to-I编辑与遗传变异在序列上难以区分；剪接接头处的比对歧义又极易伪装成小indel。单细胞层面还要叠加稀疏覆盖、等位基因脱扣、双细胞污染与环境RNA污染，使细胞特异性变异的支持读段常常接近于零。文章因此强调：测序模态决定了误差结构，而误差结构决定了算法必须显式建模什么。

图2｜长读长测序的技术体系与分析难点。a，DNA长读长；b，bulk RNA；c，单细胞RNA。左侧为比对示意，右侧列出各模态的主要误差来源，包括低肿瘤纯度、TiN污染、参考偏倚、变异表示不一致、剪接接头错误、RNA修饰、等位基因特异性表达、细胞特异性稀疏、低通量与双细胞污染等。

小变异检测中的深度学习方法

尽管场景各异，主流流程仍共享同一套逻辑：比对（或以其他方式表示读段）—搜索候选位点—判定真伪。自DeepVariant在PrecisionFDA挑战赛中证明神经网络可以直接从比对堆叠中学习变异证据以来，深度学习逐渐取代基于规则与贝叶斯模型的老一代方法；Clair系列进一步把SNP的F1推至PacBio高置信区域99.9%以上、ONT接近99%的水平。

图3｜基于深度学习的长读长变异检测流程与定相策略。a，胚系变异检测；b，体细胞变异检测，虚线框为依赖配对样本的可选模块；c，定相如何把随机散落的测序错误与真实变异区分开来，并分别应用于胚系、肿瘤与单细胞场景。

一个深刻的变化发生在“定相”（phasing）的地位上。过去，定相只是依赖群体连锁不平衡的事后处理；在长读长时代，它成了模型的第一性先验。未定相时，一个低频杂合信号与随机错误在统计上几乎不可区分；一旦读段被划分为两条单倍型，真实变异会在同一条单倍型上汇聚成明确信号，而技术假象仍随机散落。WhatsHap、LongPhase与Margin等工具负责把离散杂合位点连成兆碱基级的相位块，新兴方法甚至利用等位基因特异性甲基化，在缺乏杂合位点的区域延续相位。这一思路同样延伸至肿瘤（以正常样本建立单倍型骨架，规避肿瘤CNV的干扰）与单细胞（先构建伪批量骨架，再把读段分配回各个细胞）。

模型如何看待证据，则决定了它能解决哪类变异。以Clair、NanoSNP为代表的汇总式编码，把比对压缩为位点级的碱基计数与链方向统计，计算高效、对低覆盖稳健，却牺牲了单条读段上的变异连锁，难以处理多等位与重叠indel；以DeepVariant与Clair3全比对模块为代表的读段级编码，保留碱基质量、链方向与indel信息，精度更高但算力开销更大。网络架构随之分化：卷积网络擅长局部模式且易于GPU加速，循环网络能以更少参数整合两侧上下文，自注意力则能同时建模全局依赖，但计算成本限制了可处理的序列长度。

走出线性参考

只要仍以单一线性基因组为坐标，参考偏倚就无法根除。T2T-CHM13补上了约2亿个碱基的缺口【2】，使原本不可及的区域首次可被系统分析；但新基准中93%的变异位于着丝粒卫星、串联重复等高复杂区域，而这些区域恰恰缺乏可靠的真值集。在T2T-CHM13上评估HG002，即便使用高准确度HiFi读段，表现最好的算法在低可比对性与片段重复区域的召回率也降至SNP 95%、indel 85%，远低于其他区域99.9%以上的水平；在3,202个样本中，PacBio与ONT的SNP一致率总体仅约40%，足见这些区域的分歧之大。

于是两条“超越比对”的路线被推到台前。其一是从头组装：先重建母源与父源单倍型，再把组装序列比对回参考。现代组装可获得超过20 Mb的contig N50与Q50以上的一致度，每个基因组稳定恢复超过25,000个结构变异；HG002组装使94%的X染色体与63%的Y染色体进入可靠基准范围，294个医学相关基因中有251个实现99%以上覆盖，并揭示出多达15%此前被认为“不可及”的基因组序列。代价是约十倍于比对流程的算力，以及极长同聚物中由gap尺寸估计带来的indel精度损失。其二是泛基因组图：把群体单倍型多样性编码为节点与边的拓扑网络，让读段沿已存在的生物学路径行进。HPRC首版47个基因组的图参考【3】使小变异检测的假阳性与假阴性合计减少约34%，HPRC2在多个短读长平台上进一步将总体错误降低36.0%～52.4%。但图参考缺乏稳定的线性坐标，临床注释与报告体系仍依赖GRCh37/38，图上的结果往往要投影回线性坐标，反而在最需要图的地方重新引入歧义。

图4｜长读长变异检测的三种计算范式。左：线性参考比对，读段定相后由深度网络判定；中：从头组装，重建母源与父源单倍型后比对回参考；右：泛基因组图，读段沿群体单倍型路径比对并按路径权重导出变异，必要时投影回线性坐标。

文章还特别呼吁打破小变异与结构变异（SV）之间人为定义的50 bp边界。49 bp与51 bp的缺失在生物学上没有本质区别，这条界线只是短读长时代的技术遗产。二者沿同一单倍型紧密互动：小变异富集于SV断点附近，重复内的小变异会改变整体致病性；更危险的是，一个大的杂合缺失造成的杂合性丢失，若算法毫无察觉，会把半合子小变异误判为纯合，直接扭曲临床结论。

99.9%之后

文章还对当前“高准确率”叙事进行了拆解。当前被反复引用的性能数字，是局限于GIAB高置信区域的全基因组平均值。一个位于RPGR同聚物中的致病indel，或一个被SMN1/SMN2旁系同源干扰的单核苷酸变异，几乎不会让总体F1产生可见变化，却足以决定一位患者能否得到诊断。因此，真正的挑战不是把准确率从99.9%再往上推，而是缩小算法系统性失败区域的差距。

这一差距在体细胞与嵌合检测中更为尖锐。肿瘤异质性与极低VAF持续压制灵敏度；GIAB HG008等长读长真值集的发布提供了关键基准，也暴露出比对类算法在复杂与CNV高发区域的系统性漏检，而补上这一环所需的从头组装，又受制于肿瘤的多克隆与非二倍体特性。新发与嵌合变异则受困于样本稀缺：真实阳性太少，分类器训练不足，只能依赖未必符合生物学实际的模拟数据。

对此，作者给出三条方向：利用海量未标注数据开展半监督学习，以覆盖更完整的突变模式；让算法原生地面向泛基因组图，把群体变异作为模型的一部分而非下游校正，并以组装补足比对彻底失效的区域；把分析框架从“逐位点、垂直堆叠读段”转向“利用变异连锁、群体先验与长程单倍型依赖的水平基因组语境”。更深层的变化在于，领域的瓶颈正从“检出”转向“解释”：当长读长不断在人群数据库缺席的区域揭示新变异，ClinVar与临床指南却仍建立在GRCh37/38坐标之上，真正的难题将不再是“能不能检出”，而是“能不能读懂”。

综上所述，该综述把长读长小变异检测的演进概括为三次跃迁：从碎片化推断到单倍型分辨的连续推断，从线性参考上的逐位点判定到组装与图参考上的基因组语境建模，从追求平均准确率到直面临床相关的复杂区域。技术的天花板并不只在算法，还在真值集、参考坐标与临床解读框架——对正在把长读长推向临床的基因组学共同体而言，这既是一份技术路线图，也是一份问题清单。

原文链接：https://doi.org/10.1038/s41576-026-01020-7

制版人： 十一

参考文献

1. Byrska-Bishop, M. et al. High-coverage whole-genome sequencing of the expanded 1000 Genomes Project cohort including 602 trios.Cell185, 3426–3440 (2022).

2. Nurk, S. et al. The complete sequence of a human genome.Science376, 44–53 (2022).

3. Liao, W.-W. et al. A draft human pangenome reference.Nature617, 312–324 (2023).

学术合作组织

（*排名不分先后）

战略合作伙伴

（*排名不分先后）

推荐直播

转载须知

【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。

BioArt

Med

Plants

人才招聘

点击主页推荐活动

关注更多最新活动！