2. 长读长测序平台与数据特征

长读长WGS分析流程的每一个工程决策，几乎都建立在对平台数据特征的准确理解之上。同样是“长读长”，PacBio HiFi与ONT在物理原理、读长分布、错误模式和覆盖度需求上差异显著，若把两者的数据当作同质输入处理，后续比对、变异检测和组装策略都会出现系统性偏差。本节从平台原理出发，落到读长、错误率、覆盖度与数据量这几个可直接用于流程设计的参数上。

一、两类平台的测序原理差异

PacBio HiFi建立在SMRT测序与环形一致性测序（Circular Consensus Sequencing, CCS）之上。其核心是零模波导孔（ZMW）：每个孔内固定一条环状模板，DNA聚合酶在孔底合成时掺入带荧光标记的核苷酸，荧光信号被实时记录。由于模板是环状的，同一条分子可以被聚合酶反复读取多圈，产生多个subread。HiFi模式要求插入片段较短（通常约15–20 kb），使聚合酶能在片段降解前完成多圈读取，再通过一致性校正把随机错误平均掉，最终输出高准确度的HiFi读长。

ONT则基于纳米孔电信号原理。核酸分子在电压驱动下穿过蛋白纳米孔，不同碱基组合对孔内离子电流的阻塞程度不同，电流变化被实时采集并解码为碱基序列。ONT没有环化多圈读取这一机制，其原始读长由分子本身长度决定，因此读长分布极宽，从几百bp到超过100 kb均可能出现。ONT的原始错误以系统性偏差为主，尤其是均聚物区域的长度误判，需要通过后续校正或高准确度模式（如Q20+化学体系）来改善。

二、读长分布：不是平均值，而是形状

评估一个长读长数据集时，只看平均读长会丢失关键信息。HiFi的读长分布通常呈较窄的单峰，集中在15–20 kb附近，因为CCS要求插入片段长度与聚合酶持续合成能力匹配，过长片段无法完成足够圈数的一致性校正。ONT的读长分布则呈明显的右偏长尾：大量读长在10–30 kb，同时存在可观的超长读长（>100 kb），这些超长读长对跨越复杂重复区域和结构变异检测具有不可替代的价值。

在流程设计中，读长分布直接影响比对参数和组装k-mer选择。例如，若ONT数据中N50为25 kb，但存在大量<5 kb的短读长，比对时可能需要设置更宽松的种子长度或启用短读长过滤；而HiFi数据读长集中，比对参数可以更统一。实际评估时，建议同时查看读长N50、读长中位数和读长分布直方图，而不是只记录一个平均值。

三、错误模式：随机与系统的分野

HiFi的错误以随机单碱基替换和短插入缺失为主，且由于多圈一致性校正，错误率极低（通常<0.1%）。这种随机错误在比对时表现为分散的错配，不会在局部区域形成密集错误簇，因此比对和变异检测相对直接。

ONT的错误则具有明显的系统性：均聚物区域（如AAAAA）的长度判断容易偏差，导致插入缺失错误集中出现；此外，纳米孔对某些序列上下文有偏好性误读。这类系统性错误在比对时可能表现为局部密集的插入缺失，若直接用默认参数，容易产生假阳性变异。因此，ONT流程通常需要先进行碱基校正（如使用高准确度模式数据或工具校正），或在变异检测时采用对插入缺失更稳健的算法。

四、覆盖度与数据量评估

覆盖度是长读长WGS流程设计的核心参数。对于人类基因组（约3.1 Gb），HiFi通常需要15–20×覆盖度，对应约30–40 Gb有效数据；ONT若用于结构变异检测和组装，通常需要30–50×，对应约60–100 Gb数据。这里的“有效数据”指经过质量过滤后可用于比对的碱基总量，而非原始下机数据量。

数据量估算可按以下方式快速计算：

目标覆盖度 = 目标数据量(Gb) / 基因组大小(Gb)
例如：人类基因组 3.1 Gb，目标 20×
目标数据量 = 20 × 3.1 = 62 Gb（原始碱基数）
若质量过滤保留率约 85%，则下机数据量 ≈ 62 / 0.85 ≈ 73 Gb

实际评估时，还需关注读长N50与覆盖度的匹配关系。若覆盖度足够但读长N50偏低，则跨越重复区域的能力不足，组装连续性会受影响；反之，若读长很长但覆盖度不足，则难以区分真实变异与测序错误。因此，在流程启动前，建议先统计以下指标：总碱基数、读长N50、读长中位数、质量值分布、以及比对后实际覆盖度（而非仅看下机数据量）。

五、平台选择与流程适配

HiFi与ONT并非互相替代，而是互补。HiFi适合需要高准确度、高置信度变异检测的场景，如SNP/Indel检测和高质量组装；ONT适合需要超长读长跨越复杂区域、或需要实时测序的场景，如结构变异检测和现场快速评估。在流程工程中，若同时拥有两类数据，可采用混合组装策略：用ONT超长读长搭建骨架，用HiFi高准确度读长进行校正和抛光，从而兼顾连续性与准确度。