4. 长读长比对到重复与复杂区域的算法选择
长读长测序把读长推到 10–100 kb 量级，但重复序列带来的比对歧义并没有消失，只是从“读长太短跨不过去”变成了“读长够长却不知道该放到哪个拷贝上”。本节讨论 minimap2、Winnowmap、NGMLR、GraphAligner 四类工具在重复与复杂区域中的比对特性、参数调优思路，以及如何评估比对不确定性。
四类算法的核心差异
minimap2 采用 minimizer 种子加动态规划链化，默认对重复 minimizer 做降采样，速度最快，但在高度重复区容易出现“种子被稀释”导致漏比对或错位。Winnowmap 的关键改进是加权 minimizer：先用高频 k-mer 统计出重复权重，再在链化阶段对高重复区域施加惩罚，使种子分布更均匀，因此对节段重复和着丝粒卫星更稳。NGMLR 面向 PacBio/Nanopore 的噪声读长，使用带仿射间隙的局部比对加分段链化，对高错误率读长容忍度好，但速度较慢。GraphAligner 则把参考从线性序列换成变异图，适合已知结构变异或单倍型图场景，能把读长直接比对到图路径上，减少“先比对再判 SV”的二次误差。
参数调优：从“能比上”到“比得准”
minimap2 在重复区最值得调的是 -f（过滤高频 minimizer 的比例）和 -k/-w（种子长度与窗口）。默认 -f 0.0002 对普通基因组够用，但在着丝粒或 rDNA 簇中可放宽到 0.001 甚至更高，让更多重复种子参与链化；代价是速度下降、假阳性上升。若目标是 SV 检测，建议用 -ax map-ont --eqx -Y，-Y 关闭软剪切，保留完整 CIGAR 便于后续判断。Winnowmap 的核心参数是 -k 与 --winnow 权重文件，通常先用 meryl 统计高频 k-mer 生成权重，再以 -k 15 -w 10 运行；对节段重复，把 -k 提到 17–19 可进一步降低歧义。NGMLR 用 -x pacbio 或 -x ont 选择错误模型，--no-smallindels 可减少重复区小 indel 噪声。GraphAligner 需先由 vg 构建图，再用 -x vg 指定图模式，--multimap-score-fraction 控制多路径保留比例。
比对不确定性评估
重复区比对结果不能只看“有没有比上”，要看“比得有多确定”。第一看 MAPQ：minimap2 在重复区常给出 0–10 的低值，Winnowmap 因加权惩罚通常略高，但若 R1/R2 序列几乎相同，MAPQ 仍会很低。第二看多比对候选：用 samtools view -q 0 统计同一读长落在多个位置的记录，若候选数大于 2 且得分接近，说明归属不确定。第三看 CIGAR：重复区频繁出现大段 I/D 或 S，往往是把读长硬塞进错误拷贝。第四看链化得分差：minimap2 的 de:f 标签、Winnowmap 的链化得分，若最优与次优差距小于 5%，应视为不确定。工程上可对低 MAPQ 读长做局部重比对，或改用图比对复核。
samtools mpileup 或 IGV 查看覆盖度是否在 R1/R2 间出现“此消彼长”的异常模式。选择决策与示例参数
| 场景 | 首选工具 | 关键参数示例 | 不确定性信号 |
|---|---|---|---|
| 常规 SV 初筛 | minimap2 | -ax map-ont --eqx -Y | MAPQ<10，多候选 |
| 节段重复/着丝粒 | Winnowmap | -k 17 -w 10 --winnow w.txt | 链化得分差<5% |
| 高噪声读长 | NGMLR | -x ont --no-smallindels | CIGAR 频繁 I/D |
| 已知单倍型图 | GraphAligner | -x vg --multimap-score-fraction 0.9 | 路径得分接近 |
需要强调的是，没有任何一个工具能在所有重复区“通吃”。minimap2 胜在速度与通用性，Winnowmap 胜在重复种子均衡，NGMLR 胜在噪声容忍，GraphAligner 胜在图结构表达。实际工程中更可靠的做法是“组合拳”：用 minimap2 做全基因组初比对，用 Winnowmap 复核重复区，用 GraphAligner 在已知 SV 断点附近做图比对验证。比对不确定性不是失败信号，而是提示我们该在哪些区域投入更多计算与人工判读。