VQSR简介
做变异过滤这么多年，我最大的体会是：变异过滤不是简单的“切一刀”。你写个阈值，比如QD小于2.0就干掉，看起来干脆利落——但数据分布是会骗人的。今天给你上一课：VQSR——变异质量评分再校准，说白了就是让数据自己告诉你哪些变异靠谱。
什么是VQSR
VQSR，全称 Variant Quality Score Recalibration。名字很长，核心就两句话：用已知的“好变异”和“坏变异”训练一个概率模型，然后给每个新变异打个分。这个分数叫 VQSLOD，越高代表越像真变异。
具体怎么做？它用了高斯混合模型（GMM）。我刚开始接触时觉得这东西太抽象，后来拆开看其实不复杂：
- 从你的变异集里挑出已知真实的位点（比如dbSNP、HapMap里的）和已知假阳性位点（比如你人工验证过的）。
- 拿一些质量指标当特征：QD、FS、SOR、MQ、ReadPosRankSum……大概10个左右。
- GMM自动学习这两类在特征空间里的分布。
- 对每个新变异，计算它落在“真实分布”和“假阳性分布”里的概率比，取对数就是VQSLOD。
为什么需要VQSR
你可能会问：我直接用硬过滤不行吗？我举个例子你就懂了。
硬过滤就像按身高招篮球队员——超过190cm就要，不到就淘汰。但有些190cm的人不会打球，有些185cm的人弹跳惊人。你想想看，一个全基因组测序跑下来，几千万个变异，靠三四个阈值一刀切，必然会漏掉真实的、保留假阳的。
VQSR强在哪？它综合多个指标，不做简单切分。它在高深度区域放得宽，在低深度区域收得紧。我印象最深的一次：一个肿瘤-正常配对项目，硬过滤把13个真实somatic SNV都滤掉了（因为其中一个指标刚好超标），换成VQSR后全部保住了。所以VQSR不是可选项，是必需品——尤其当你处理全基因组数据时。
与硬过滤的区别
我整理了一张对比表，你一看就明白：
| 维度 | 硬过滤 | VQSR |
|---|---|---|
| 阈值方式 | 人工设定固定阈值（如QD > 2.0） | 训练GMM，自动计算VQSLOD，再选一个概率切点 |
| 特征数量 | 通常只用2-3个指标 | 使用全部可用质量指标（QD、FS、SOR、MQ等） |
| 对数据适应 | 不依赖数据分布，所有样本一刀切 | 利用样本自身分布特性，因人而异 |
| 假阳性控制 | 容易漏掉边界值附近的假阳性 | 概率化判断，假阳性率可控 |
| 运行开销 | 极低，几秒完成 | 需要训练模型，全基因组约30-60分钟 |
| 适用场景 | 小规模项目、快速原型、WES低深度 | 全基因组、大规模、对准确性要求高 |
说白了，硬过滤是“快但糙”，VQSR是“慢但好”。哪个更香？看你手里的项目有多大。
VQSR的工作流程
给你画张图，把上面说的串起来：
流程走完，你拿到每个变异的VQSLOD，然后选一个切点——一般用99.9% sensitivity或者VQSLOD阈值-2.0。剩下的变异质量就靠谱多了。
嗯，这里要注意：VQSR不是万能的。如果你的训练集本身有错误标注，GMM学到的东西就是错的。我曾经遇到过dbSNP里混入系统假阳性（某个批次测序错误），结果VQSR把所有类似特征的假阳性都当成了真变异……后来我加了第二道硬过滤规则才救回来。
一句话总结
硬过滤是“看门大爷查身份证”，VQSR是“AI面试官看综合素质”。做全基因组，我选后者。不过具体怎么调参数、怎么选阈值、怎么判断模型好坏——那是后面几章的事了。