2. 长读长测序数据特征解析

单倍型分相的第一步不是选算法，而是读懂手里的读段。长读长平台之所以能跨越杂合位点、把同一染色体上的变异串成一条链，靠的正是读长、错误模式、覆盖度和质量值这四个特征。它们彼此耦合：读长决定能跨多远，错误模式决定比对与变异识别的可信度，覆盖度决定统计证据是否充分，质量值则决定哪些碱基可以参与投票。理解这四者的真实分布，才能判断某个分相工具是否适配当前数据。

读长：跨越能力与“有效信息长度”

PacBio HiFi 的读长通常集中在 10–20 kb，读长分布较窄、长尾短；ONT 的读长分布则宽得多，常见从几 kb 到上百 kb，长尾显著。分相关心的不是最大读长，而是能同时覆盖两个以上杂合位点的读段比例。假设某样本杂合位点平均间距为 1.5 kb，那么一条 15 kb 的读段理论上可跨越约 10 个杂合位点，足以形成一条局部单倍型链；而 3 kb 读段只能覆盖 1–2 个位点，对分相贡献有限。因此评估时应统计读长 N50 与“跨位点读段占比”，而不是只看平均读长。

错误模式：随机错误与系统性错误的区别

HiFi 通过环形一致性测序把随机错误压到约 0.1%–1%，错误以替换为主、分布近似随机，因此单条读段即可用于变异识别。ONT 的原始读段错误率较高（早期 10% 以上，近年 R10 化学配合高精度模式可降至 1%–5%），且错误以插入/缺失为主，在均聚物区域尤其集中，属于系统性、上下文相关的错误。这一差异直接决定分相策略：HiFi 可以“先变异后分相”，即先 call 出杂合位点，再用读段把这些位点连起来；ONT 若直接用原始读段做位点级投票，均聚物附近的假阳性会污染单倍型链，通常需要先纠错、或改用基于读段重叠与标记的等位基因计数方式。

覆盖度：不是越高越好，而是“有效覆盖”

分相需要的是同时覆盖相邻杂合位点的读段数，而非全基因组平均深度。若平均 30×，但读长只有 5 kb、杂合位点间距 2 kb，则真正能连接两个位点的读段可能不足 5×，分相会频繁断裂成短块。评估时应计算“位点对覆盖度”：对每一对相邻杂合位点，统计同时覆盖二者的读段数，取中位数。经验上，中位位点对覆盖度 ≥ 5× 时，HiFi 数据可稳定得到 N50 单倍型块在数百 kb 量级；低于 3× 则块长急剧下降。ONT 因读长更长，即使总深度略低，位点对覆盖度也可能更高，这是超长读的独特优势。

质量值分布：决定哪些碱基参与投票

质量值（QV）反映碱基判读置信度。HiFi 的 QV 分布集中在 Q20–Q40，绝大多数碱基可直接参与等位基因计数；ONT 的 QV 分布宽且偏低，许多碱基处于 Q10–Q15。若不加筛选地把所有碱基投入投票，低质量区的错误会随机“投票”给错误等位基因，稀释真实信号。常见做法是设置碱基质量阈值（如 Q15 或 Q20），只保留高质量碱基参与分相；对 ONT 还可结合读段整体质量过滤。需要注意，过度过滤会降低有效覆盖度，因此阈值应在“信号纯度”和“证据数量”之间权衡，通常通过比较不同阈值下单倍型块 N50 来确定。

特征如何映射到算法选择

把上述特征组合起来，可以形成一条清晰的判断路径。HiFi 数据错误随机、质量值高，优先选择基于 VCF 的位点投票类工具（Whatshap、HapCUT2），流程简单且准确率高。ONT 原始读段若错误率仍高于 3%，直接位点投票会因 indel 错位导致等位基因计数偏移，此时应选择内置纠错或基于读段重叠的分相工具（Longshot、Falcon-Unzip 类思路），或先用高精度模式数据纠错后再分相。若样本杂合度低、杂合位点稀疏，读段间难以通过共享位点连接，则可考虑基于读段重叠或标记（如 phasing 用 SNP 标记）的策略，利用超长读直接跨越稀疏区域。

一个常见的误区是只看平均覆盖度就决定算法。实际上，读长分布与杂合位点间距的匹配度往往比总深度更关键。例如 20× 的 ONT 超长读（N50 50 kb）在稀疏杂合位点区域的分相表现，可能优于 40× 的短读长 HiFi（N50 12 kb）。因此建议在正式分相前，先用少量数据做一次“位点对覆盖度 vs 单倍型块长”的快速评估，用实测曲线而非经验值来定参数。

总结来看，长读长分相不是“拿到数据就跑工具”，而是先量化读长、错误、覆盖、质量四个特征，再让算法去匹配数据。HiFi 胜在准，ONT 胜在长；把两者的优势用对位置，才能得到连续、准确的长单倍型块。