📚 课程目录第3章 Mutect2默认过滤规则解析

Mutect2默认过滤规则解析：硬过滤参数详解

说实话，我刚接触Mutect2那会儿，看到一堆过滤参数简直是头皮发麻。什么FS、QD、MQ……每个缩写背后都藏着一套统计逻辑。我习惯把硬过滤比作「变异位点的安检门」——只有通过所有关卡，你才敢把这个位点放进下游分析。

为什么要搞这么复杂？因为你想想看，测序数据太脏了。PCR重复、链偏好、比对错误、同源区域……这些噪声都会伪装成「看起来很真的变异」。硬过滤就是一把快刀，先把明显靠不住的砍掉，剩下的再交给更精细的模型（比如FilterMutectCalls）。

我的经验： 硬过滤不是越严越好。我曾经在一个WES项目里把FS阈值降到20，结果真实位点被干掉一大片，最后不得不重跑。阈值调优的度，得靠摸索。

硬过滤参数全家桶

Mutect2在Calling阶段会为每个变异位点计算一组统计量。默认的硬过滤规则写在GATK的源码里，直接在VCF的FILTER字段打标记。下面这几个参数是核心中的核心：

参数	全称	默认阈值	它想表达什么
FS	Fisher Strand	> 30.0	链偏好的证据强度（p值取-log10）
QD	QualByDepth	< 2.0	质量值除以深度，类似于信噪比
MQ	RMSMappingQuality	< 40.0	支持该变异的reads的平均比对质量
MQRankSum	MappingQualityRankSumTest	< -12.5	变异位点内外reads的比对质量分布差异
ReadPosRankSum	ReadPosRankSumTest	< -8.0	变异位点内外reads的位置分布差异

这些都是RNA-seq或肿瘤体细胞突变中常见的「噪声指标」。FS太高说明链偏好严重，可能是个假阳性；QD太低说明质量虽高但深度不足，可能是随机错误；MQ低于40说明比对质量差，可能来自重复区域或同源序列。

注意： 默认阈值是针对人类WGS/WES设计的。如果你做植物基因组、微生物组或者低深度测序，这些值大概率要重新调。我曾在一个真菌项目中只改了一个参数——把QD降到1.5，召回率就上来了17%。

参数之间的「互相牵制」

单独看每个参数没问题，但组合起来就有意思了。举个例子，FS高但QD也高的位点，可能是真实的链偏好还是假阳性？我个人习惯先看QD：如果QD > 5.0，即使FS到50，我也倾向于保留，因为深度足够大时链偏好会被稀释。反过来，QD < 1.0的位点，就算FS只有5，我也直接过滤掉——因为信噪比太差。

这里有一张我常用的决策逻辑图，帮你理清思路：

看到没有，这是一个串联的安检流程。每个位点必须连续通过所有关卡。不过在实际项目中，我经常碰到FS很高但QD也很高的位点——比如肿瘤扩增子测序的高深度区域。默认阈值会把这些位点过滤掉，但我通过调整FS到50，就保留了这些可能是真的突变。

直接在命令行里改阈值

你不需要等FilterMutectCalls才改阈值。在Mutect2运行的时候就能指定硬过滤规则。看一个例子：

gatk Mutect2 \
    -R hg38.fa \
    -I tumor.bam \
    -I normal.bam \
    -O raw.vcf \
    --max-reads-per-alignment-start 6 \
    --f1r2-tar-gz f1r2.tar.gz \
    --germline-resource af-only-gnomad.vcf \
    --custom-filter "FS > 30.0" \
    --custom-filter "QD < 2.0" \
    --custom-filter "MQ < 40.0" \
    --custom-filter "MQRankSum < -12.5" \
    --custom-filter "ReadPosRankSum < -8.0"

注意这些--custom-filter参数写的是过滤条件，而不是通过条件。如果变异位点满足其中任意一条，它就会被标记为custom_filter。默认的硬过滤名字叫hard_filtered，但你用--custom-filter-name可以自定义。

  一个小技巧： 如果你想先看看效果再决定，可以先用默认阈值跑，然后从VCF的INFO/FT字段提取统计量，画个分布图。我习惯先用R画FS和QD的散点图，一眼就能看出阈值附近的数据密度。这样调起来心里有底。

避坑指南：那些年我掉过的坑

坑1： 默认阈值对低深度数据太激进。我做过一个cfDNA项目，平均深度只有15x。QD的2.0阈值把80%的位点都过滤了。后来我把QD降到1.0，同时把FS放宽到50，召回率就正常了。
坑2： FS和QD的交互效应被忽略。你光看FS高就过滤，但QD如果>5，那个高FS可能是PCR偏好引起的，不是真正的链偏好。我的方案是：先过滤QD<2.0的，再过滤FS>60的。
坑3： MQRankSum和ReadPosRankSum对插入/缺失更敏感。有时候SNP的RankSum看起来正常，但indel的RankSum特别差。我在某个项目里把indel的ReadPosRankSum阈值从-8.0改到-10.0，假阳性就降了不少。

再次提醒： 改阈值一定要保留一份默认结果做对照。我习惯用下面的命令同时跑两个工作流，然后对比VCF的行数：

# 默认版本
gatk Mutect2 ... -O default.vcf
# 宽松版本
gatk Mutect2 ... -O relaxed.vcf \
    --custom-filter "QD < 1.5" \
    --custom-filter "FS > 50.0"

然后grep -v "^#" default.vcf | wc -l看看过滤了多少。

我一直觉得硬过滤是整套流程里最「经验主义」的一环。你调的阈值必须贴合你的数据特征——测序平台、覆盖深度、样本类型、肿瘤纯度，这些都会影响最优点。没有万能配方，只有反复验证。