4. 分相问题建模

在长读长单倍型分相工程中，真正决定后续算法选型、参数调优和结果评估上限的，往往不是某个具体工具，而是问题建模这一步。分相（phasing）表面上只是“把杂合位点分到两条同源染色体上”，但一旦落到长读长数据上，它同时牵涉图结构、统计推断和组合优化三类视角。本节的任务，是把“分相”从一句自然语言描述，转化为一个输入、约束、输出都明确的数学问题。

一、分相问题的三要素：输入、约束、输出

任何建模都先要回答三个问题：我们手里有什么（输入）、什么规则必须遵守（约束）、最终要交付什么（输出）。在长读长分相中，这三者可以具体化为：

• 输入：参考基因组坐标、样本的杂合变异位点集合 V={v₁,…,vₙ}、每条长读段比对到参考后覆盖的变异观测（read 在某个位点上支持哪个等位）、读段自身的比对区间与质量值，以及可选的群体或家系信息。
• 约束：同一条读段只能来自一条同源染色体，因此它覆盖的所有杂合位点必须被分到同一单倍型；两条单倍型在每个杂合位点上必须互补（一个取 REF，另一个取 ALT）；物理距离过远、缺乏读段连接的位点之间不能强行建立相位关系。
• 输出：每个杂合位点的相位归属（0/1 或 hapA/hapB），以及由这些位点串联形成的两条单倍型序列（或相位块 phased block）。

把这三要素写清楚，分相就从“猜”变成了“解”。下面这张图给出了从原始数据到相位输出的整体建模结构，它同时标出了图论、统计和优化三种视角在其中的位置。

二、图论建模：把读段变成边

最直观的建模方式是把每个杂合位点看作图中的一个节点。如果某条长读段同时覆盖了位点 vᵢ 和 vⱼ，并且在这两个位点上分别观测到等位 a 和 b，那么这条读段就为“vᵢ 取 a 时 vⱼ 取 b”提供了一条证据。把所有这样的证据累积起来，就得到一个带权无向图：节点是杂合位点，边表示两个位点之间存在读段连接，边的权重反映支持某种相位组合的读段数量。

在这个图上，分相等价于对节点做二染色：每个节点染成 0 或 1，代表它属于哪条单倍型。理想情况下，同一条读段覆盖的所有节点应染成同色，因此问题转化为“让尽可能多的边两端同色”或“让冲突边权重之和最小”。当图不连通时，每个连通分量就是一个独立的相位块，可以分别求解——这正是长读长分相中“相位块”概念的来源。

三、统计推断建模：相位是隐变量

图论视角忽略了测序错误和比对错误。更严谨的做法是把真实相位 H 看作隐变量，把读段观测 R 看作由 H 生成的数据。对每条读段 r，给定它来自单倍型 h 时，观测到其等位序列的概率 P(r|h) 可以由碱基质量值计算；再结合单倍型先验（如均匀先验或群体频率先验），用贝叶斯公式得到后验 P(H|R) ∝ P(R|H)P(H)。分相的目标就是寻找使后验概率最大的 H。

这一视角的价值在于：它天然支持不确定性度量。对于读段覆盖稀疏、证据冲突的位点，后验概率会接近 0.5，提示该位点相位不可靠；而对于被多条高质量读段一致支持的位点，后验接近 1。工程上常用的 phasing 质量值（PQ）或相位置信度，正是从这一建模中导出的。

四、组合优化建模：写出目标函数

无论从图论还是统计出发，最终都要落到一个可计算的目标函数上。一个典型的形式化如下：

给定：
  杂合位点集合 V = {v1, v2, ..., vn}
  读段集合 R = {r1, r2, ..., rm}
  每条读段 r 覆盖的位点及等位观测 O(r)

决策变量：
  x_i ∈ {0, 1}  表示位点 vi 的相位归属

目标：
  maximize  Σ_r  w_r · I( r 覆盖的所有位点相位一致 )
  或等价地
  minimize  Σ_{(i,j) ∈ E} c_ij · I( x_i ≠ x_j )

约束：
  1. 同一位点只能属于一条单倍型（二值约束）
  2. 两条单倍型互补：x_i 与 1-x_i 同时存在
  3. 仅当两节点间存在读段连接时才允许建立相位关系
  4. 相位块内位点必须连续可连接，块间不强制相位

其中 c_ij 是边 (i,j) 上的冲突代价，通常由支持“同相”和“反相”的读段数之差决定。若把 x_i 松弛到实数区间 [0,1]，问题就变成连续优化，可用谱方法或半正定规划近似求解；若保持二值，则是一个典型的最小割 / 最大割或相关聚类问题。长读长场景下，由于读段长、连接跨度大，图往往稀疏且局部连通性强，实际求解器多采用连通分量分解 + 局部动态规划或贪心扩展的策略。

五、建模选择如何影响工程结果

三种视角不是互斥的，而是同一问题的不同侧面。图论给出结构，统计给出权重和置信度，组合优化给出求解路径。工程实践中需要根据数据特点做取舍：

• 当读段长、覆盖深、错误率低时，图论建模加简单二染色即可获得很长的相位块；
• 当读段错误率较高或覆盖不均时，必须引入统计权重，否则错误边会把本应分开的相位块错误合并；
• 当样本存在大片段缺失、重复或杂合缺失时，约束条件需要额外加入“位点可定相性”判断，避免强行连接导致整块相位翻转。