2. 长读长测序数据特性与格式

结构变异检测的成败，往往在拿到 FASTQ 的那一刻就已经被数据质量决定了。长读长平台解决了短读长“读不到、拼不出”的结构变异盲区，但不同平台的数据特性差异极大，直接决定了后续比对、SV 调用和过滤策略。本节从平台特征、文件格式、质量指标到常见数据问题，建立一套可操作的数据认知框架。

一、PacBio HiFi 与 ONT 的数据特征差异

PacBio HiFi（High Fidelity）基于环形一致性测序（CCS）：同一 DNA 分子被多次环绕测序，通过多轮子读段的一致性校正，输出单条读长通常 10–20 kb、原始准确率可达 99.9%（Q30 以上）的 HiFi 读段。其错误以随机单碱基替换为主，几乎不含系统性插入缺失，因此比对后 SNP/indel 噪声低，特别适合精确断点解析和小型 SV 检测。

ONT（Oxford Nanopore Technologies）通过纳米孔电流信号变化识别碱基，读长优势更突出：超长读可超过 100 kb，甚至达到 Mb 级，对跨越复杂重复、串联重复和大型倒位的 SV 极为有利。但原始单次读准确率较低（R9.4.1 约 85–92%，R10.4.1 配合最新碱基识别模型可提升至 97% 以上），错误以同聚物区域的插入缺失为主，具有明显的系统性偏向。因此 ONT 数据在比对时更依赖容忍 indel 的比对器，SV 调用后也需要更严格的过滤。

两者在 SV 检测中的分工可以概括为：HiFi 提供高精度断点与可靠基因型，ONT 提供超长跨度与复杂区域连通性。实际项目中常采用“HiFi 主检 + ONT 补跨复杂区”或两者联合的策略。

二、FASTQ / BAM / CRAM 格式解析

FASTQ 是测序下机的原始读段格式，每条记录四行：@ 开头的读段 ID、碱基序列、+ 分隔行、以及对应的逐碱基质量值（Phred 编码）。长读长 FASTQ 中，质量值常以 ASCII 字符表示，例如 ! 对应 Q0，I 对应 Q40。HiFi 的 FASTQ 通常已由 CCS 流程产出，ONT 则需先经 basecalling（如 Dorado）生成。

BAM 是比对后的二进制格式，核心结构包括头部（@HD/@SQ/@RG）和按坐标排序的比对记录。每条记录含 QNAME、FLAG、RNAME、POS、MAPQ、CIGAR、序列与质量值。对 SV 检测而言，CIGAR 中的 S（soft clip）、I/D（插入/缺失）以及 SA 标签（supplementary alignment）是判断结构变异的关键信号。CRAM 是 BAM 的压缩替代格式，通过参考序列差分编码大幅减小体积，适合长期存储，但读取时需提供参考基因组。

# 查看 BAM 头部与参考信息
samtools view -H sample.bam | head -20

# 统计比对率、MAPQ 分布
samtools flagstat sample.bam
samtools stats sample.bam | grep ^SN

# 提取 soft-clip 读段用于 SV 信号观察
samtools view sample.bam | awk '$6 ~ /S/' | head

三、质量评估指标

拿到数据后，应优先关注以下指标：

• 读长分布（N50 / 平均读长）：N50 越高，跨越复杂区域的能力越强。HiFi 通常 N50 在 15–20 kb，ONT 可达 30–50 kb 以上。
• 碱基质量 Q 值：Q20 表示错误率 1%，Q30 表示 0.1%。HiFi 普遍 Q30+，ONT 需结合版本判断。
• 比对率与 MAPQ：比对率过低提示污染、接头残留或参考不匹配；MAPQ=0 的读段在重复区富集，需谨慎用于 SV 断点判定。
• 覆盖度与均一性：SV 检测通常建议 ≥15× 覆盖，且关注是否存在覆盖空洞。
• 读段长度加权覆盖：长读长下，简单平均覆盖可能掩盖局部不足，应结合长度加权评估。

四、常见数据问题与排查

实际项目中最常见的问题包括：接头（adapter）残留导致 soft clip 异常增多；ONT 同聚物错误造成假阳性 indel；样本污染使比对率下降；参考基因组版本不一致导致坐标错位；以及 BAM 未排序或未建索引导致下游工具报错。排查时可用 NanoPlot、FastQC、samtools stats 快速定位，再决定是否进行接头修剪（如 Porechop、HiFiAdapterFilt）或重新比对。

理解平台特性与格式细节，是后续选择比对器、SV caller 和过滤阈值的前提。HiFi 与 ONT 并非替代关系，而是互补关系；格式解析与质量评估则是把原始数据转化为可信 SV 结果的第一道工程关口。