1. 课程导入与融合工程全景

基因组数据与电子健康记录（EHR）的融合，目标不是把两份数据“放在一起”，而是让同一个患者的基因型、变异注释、临床表型、用药、检验与随访信息在时间轴上对齐，形成可追溯、可复算、可审计的患者级证据链。它要回答的问题很具体：某位患者携带的药物代谢相关变异，是否解释了他此前的用药不良反应？某组罕见变异是否与EHR中反复出现的异常检验指标相关？在队列层面，携带特定变异的患者，其住院率、复发率或生存期是否显著不同？

这类工程的核心挑战来自四个方向。第一是标识与隐私：基因组数据常以样本编号、测序批次组织，EHR以病案号、就诊号组织，两者必须通过受控的患者主索引（EMPI）映射，且映射表本身是高敏感资产。第二是时间语义：EHR中的诊断、用药、检验都有发生时间与记录时间，基因组检测有采样时间、报告时间，融合时必须明确以哪个时间作为“暴露”和“结局”的参照，否则会引入因果倒置。第三是数据模型异构：VCF、MAF、CNV、表达矩阵与EHR的关系型表、FHIR资源、文本病程记录在粒度和结构上差异巨大。第四是质量与可复现：参考基因组版本、变异命名规范、单位、编码系统（ICD、LOINC、RxNorm、HGVS）任何一处不一致，都会让结果无法复现。

典型应用场景包括：药物基因组学（PGx）辅助用药、肿瘤精准诊疗中的体细胞变异与治疗响应关联、罕见病表型匹配与诊断支持、以及基于EHR的基因组队列研究。这些场景共同要求一条稳定的数据链路：从样本与患者对齐开始，经过变异标准化、表型抽取、时间对齐，最终落到可查询的分析数据集与可解释的结果。

本课程将围绕一个真实工程任务展开：给定一批已测序患者样本与对应EHR导出数据，构建患者级融合数据集，并完成一次“药物代谢变异—不良反应”关联分析。交付物包括：患者级融合数据集、可复现分析流水线、关联分析结果、以及审计与合规文档。为了让任务可执行，课程会使用一组教学示例参数：假设队列规模为500例，基因组数据为GRCh38参考的VCF，EHR覆盖近3年就诊记录，目标变异为CYP2C19*2、*3与CYP2D6*4、*10，目标表型为氯吡格雷抵抗相关事件与不良反应记录。

在具体实现上，第一步是患者对齐。假设基因组样本表包含sample_id、patient_mrn、collection_date，EHR患者表包含mrn、birth_date、sex。通过EMPI映射表将sample_id与mrn关联，并校验出生日期与性别一致性，不一致的记录进入人工复核队列。第二步是变异标准化：将VCF中的染色体、位置、REF、ALT转换为HGVS命名，并统一到GRCh38，使用bcftools norm进行左对齐与多等位拆分。第三步是表型抽取：从EHR中按LOINC提取血小板计数、按RxNorm提取氯吡格雷处方、按ICD-10提取血栓事件，并记录每个事件的发生时间。第四步是时间对齐：以基因检测采样时间为暴露起点，以采样后12个月为观察窗，统计窗内事件。第五步是关联分析：按变异携带状态分组，计算事件率与风险比，并做Fisher精确检验。

需要特别注意的是，融合工程不是一次性脚本，而是一条需要版本锁定、质控报告和审计日志的流水线。参考基因组版本、变异命名规范、编码系统版本、时间窗定义都必须写入数据字典，任何变更都要重新跑通全流程。只有这样，基因组与EHR的融合结果才能被复核、被复用，也才能支撑后续的临床决策与科研分析。