4、Mutect2算法原理：贝叶斯统计模型、肿瘤-正常配对似然估计、局部重比对与单倍型重建

Mutect2 的算法核心，说白了就是三个关键词：概率、配对、局部组装。很多初学者一上来就调参跑命令，但忽略了底层逻辑——你连它怎么判断"这是个真突变"都不知道，出了问题自然无从下手。这一章我就把这三个核心模块拆开讲透。

4.1 贝叶斯统计模型——它凭什么判断这是真突变？

你想想，一个位点上测序深度只有 20×，其中 3 条 read 支持突变，你敢说这是体细胞突变吗？说不定是测序错误，说不定是种系杂合。Mutect2 用贝叶斯统计模型来解决这个"不确定性"问题。

核心公式其实就一个：

P(突变 | 数据) ∝ P(数据 | 突变) × P(突变)

左边是后验概率，右边是似然和先验的乘积。说白了，Mutect2 先给每个位点一个"先验 belief"——比如基因组上随机一位点发生体细胞突变的概率大约是 10⁻⁶ 量级，然后根据实际比对数据更新这个 belief，得到后验概率。

我个人习惯把 Mutect2 的贝叶斯框架拆成三层来看：

• 先验概率 P(突变)：来自群体等位基因频率资源（如 gnomAD）和基因组背景模型。如果一个等位基因在人群中很常见，它的先验就会被打压。
• 似然 P(数据 | 突变)：由比对质量、碱基质量、链偏好性、read 位置等因素联合计算。质量越高，似然贡献越大。
• 后验概率 P(突变 | 数据)：最终用于判断是否保留该位点的依据。默认阈值 0.5，但我建议实际项目中至少设到 0.8 以上。

为什么要用贝叶斯而不是简单算个比值？因为测序数据太嘈杂了。单靠频率阈值（比如 5% VAF）会漏掉低纯度样本的真实突变，也会引入大量扩增错误。贝叶斯框架天然能融合多维度证据，说白了就是"综合打分"，比一刀切靠谱得多。

4.2 肿瘤-正常配对似然估计——为什么非要正常样本？

单样本跑 Mutect2 也能出结果，但我从来不会在正式项目里这么做。原因很简单：没有正常样本，你怎么区分体细胞突变和种系杂合？

配对似然估计的核心思想，我可以用一句话概括：同一个位点，肿瘤样本有突变信号，正常样本没有，这才叫体细胞突变。

具体到算法层面，Mutect2 构建了一个联合似然函数：

L(肿瘤, 正常 | 基因型) = L(肿瘤 | 基因型) × L(正常 | 基因型)

然后比较两种假设：

1. H₁（体细胞突变）：肿瘤 = 突变型，正常 = 野生型
2. H₀（非体细胞）：肿瘤 = 正常 = 任意相同基因型（野生型或杂合或纯合）

两种假设的似然比值就是 LOD 分数（log-odds）。你想想，如果正常样本在同样位点也有 30% 的 read 支持突变，那 H₁ 的似然就会被打压，Mutect2 会判定为种系杂合而不是体细胞突变。

我建议在配对分析时注意以下几点：

4.3 局部重比对与单倍型重建——把突变位置钉死在碱基级别

这一步其实是 Mutect2 从 HaplotypeCaller 继承来的"看家本领"。为什么要做局部重比对？因为标准的比对工具（BWA-MEM 等）在 InDel 附近经常比对错——read 的插入或缺失会导致下游碱基整体偏移，产生大量"假 SNP"。

具体流程是这样的：

1. 识别活跃区域：找到比对不一致的区域（比如有错配簇、InDel 信号）。
2. 局部 de novo 组装：提取该区域的所有 read，使用 De Bruijn 图进行局部组装，生成候选单倍型。
3. 重比对：将原始 read 重新比对到这些候选单倍型上，找到最优比对位置。
4. 单倍型确定：根据重比对结果，确定该区域最可能的两种单倍型（参考型和突变型）。

我举一个实际例子。假设参考序列是 ACGT，有一条 read 在第四个碱基后插入了 A，标准比对齐可能会把 A 比对到参考的第 5 位，造成一个"假 SNP"。局部重比对会识别出这个区域有插入信号，然后通过组装发现真正的插入位置，从而消除这个假阳性。

# 查看活跃区域信息的命令（仅供调试用）
gatk Mutect2 \
  -R reference.fa \
  -I tumor.bam \
  -I normal.bam \
  -normal normal_sample \
  -O /dev/null \
  --max-active-regions-per-invocation 200 \
  --active-probability-threshold 0.002 \
  -bamout debug_region.bam

这个 -bamout 参数会输出重比对后的 BAM，我经常用它来手工核查候选区域。你想想，如果重比对后的 read 排列整齐、没有奇怪的错配簇，那说明这个突变信号可能是真的；如果重比对后 read 还是七扭八歪，那大概率是比对伪影。

单倍型重建和标准重比对有什么区别？标准重比对（比如 GATK3 的 IndelRealigner）只是把 read 往已知 InDel 上对齐，而 Mutect2 的单倍型重建是"无预设"的——它不依赖已知的 InDel 库，而是从数据中自己组装出候选单倍型。这意味着它能发现全新的、不在任何数据库中的结构变异。

说到底，局部重比对和单倍型重建的价值在于：它让 Mutect2 不只是"数 read"，而是"读懂 read"。通过局部组装，Mutect2 能理解 read 之间的结构关系，从而把突变位置从"大约在这个区域"精确到"就是第 1234567 位碱基"。

我个人很喜欢把这三个算法模块看作一个"侦探系统"：贝叶斯模型是推理框架，配对似然估计是证人比对，局部重比对和单倍型重建是现场勘察。三者配合，才能从嘈杂的测序数据中揪出真正的体细胞突变。