📚 课程目录第1章课程介绍

课程介绍：HaplotypeCaller在变异检测中的地位

做生物信息学变异检测，说白了就是回答一个问题：这个样本的基因组序列，跟参考基因组比，到底哪些位置不一样？

但这条路从下机数据到最终的VCF文件，中间其实要过好几关。我自己刚入行时，常常搞不清每一步到底在干嘛——后来带团队才发现，很多同学一开始也卡在这里。

下面这张图把核心流程串起来了。你今天学的是HaplotypeCaller，它卡在比对、标记重复和碱基质量校正之后，在联合基因型分析之前。

嗯，这里要注意：很多入门教程把HaplotypeCaller和联合分析（GenomicsDBImport + GenotypeGVCFs）混在一起讲。我们这门课只专注单样本阶段，你先把这一步跑稳了，后面多个样本合并自然水到渠成。

如果你翻过一些老教程，应该见过 UnifiedGenotyper——GATK 的上一代变异检测工具。HaplotypeCaller 和它最大的区别，就是不再基于单一位点的统计模型，而是局部重比对 + 从头组装。

说白了，UnifiedGenotyper 像拿着放大镜看每个位置；而 HaplotypeCaller 会先把可疑区域整段捞出来，像拼图一样组装成可能的单倍型，再跟参考基因组比对。结果就是：对插入缺失（indel）和结构变异的检出率，明显上了一个台阶。

我在一个肿瘤外显子项目里踩过坑：

避坑提醒：

有一次我用 UnifiedGenotyper 跑一个高异质性样本，结果有个 3bp 的缺失直接被跳过了。后来换成 HaplotypeCaller 重新跑，那个缺失稳稳地被检出。从此我养成了习惯——只要条件允许，优先用 HaplotypeCaller。

下面这张表可以快速看出两个工具的核心差异：

你可能会问：既然HaplotypeCaller可以跑联合分析，为什么还要特意学单样本？

原因很简单：实际项目中，很多情况你只有一个样本——比如临床诊断的罕见病家系、肿瘤活检，或者你只是想快速查看某个个体的变异。联合分析需要等所有样本都准备完毕，而单样本HaplotypeCaller随到随跑。

另外，我个人发现单样本模式还有一个隐藏好处：调试流程时特别快。你不需要启动整个队列，拿一个样本测试就能排除90%的参数问题。

关键点：

单样本 HaplotypeCaller 生成的是 gVCF（带每个位点的碱基质量、覆盖度等详细信息）。这份 gVCF 可以直接用于后续的联合分析——所以你现在的输出不是废纸，而是未来合并的“零件”。

在正式敲命令之前，建议确认以下环境就位：

一个标准的启动命令长这样（先别急着跑，后面会逐行解析）：

gatk HaplotypeCaller \
    -R /ref/hg38.fa \
    -I sample.bam \
    -O sample.g.vcf.gz \
    -ERC GVCF

一个提升效率的小习惯：

我习惯把 -ERC 参数单独写一行，方便后期快速切换成 -ERC NONE 直接输出标准 VCF。另外别忘了 --native-pair-hmm-threads 线程数设置，默认单线程，改成 4~8 能快不少。

好了，关于“HaplotypeCaller 在变异检测中到底扮演什么角色”，相信你已经有了一个清晰的全局图景。它就像一个高精度的局部拼图师，先把可疑小区块拆解重建，再严谨地报出每一个可能的变异。