1. 基因测序与变异检测概述：WGS原理、变异类型、生信流程框架
好，我们正式开始这门课。先聊聊WGS——全基因组测序。说实话，很多人一听到“全基因组”就觉得特别庞大，好像要把基因组的每一个碱基都看得清清楚楚。嗯，这个理解大体没错，但实际做起来，里面的门道可不少。
1.1 WGS的基本原理
WGS的基本思路很简单：把基因组DNA打碎成小片段，测出这些小片段的序列，然后再通过计算把它们拼回完整序列，或者直接比对到参考基因组上。为什么是“打碎”呢？因为现在的测序技术，一次只能读几百个碱基，而人类基因组有30亿个碱基。
我个人习惯把WGS理解为“把一本厚书撕成碎纸条，读完每个纸条上的字，再按顺序排好”。这个比喻虽然粗糙，但很直观。你想想看，光靠肉眼去读那本厚书肯定不现实，但把纸条排列组合起来，计算机就能干了。当然，这个过程比想象中复杂得多。
1.2 认识常见的基因组变异类型
测序数据出来了，接下来就是找变异。基因组里的变异主要分这么几类：
| 变异类型 | 英文缩写 | 典型规模 | 举个栗子 |
|---|---|---|---|
| 单核苷酸变异 | SNV / SNP | 1个碱基 | A → G |
| 插入缺失 | Indel | 1–50 bp | ATCG → ATCGG |
| 结构变异 | SV | ≥ 50 bp | 大片段缺失、重复、倒位、易位 |
| 拷贝数变异 | CNV | ≥ 1 kb | 某个基因多了2倍或少了1倍 |
有些人觉得SNP最常用，把精力全放在SNP检测上。我说实话，结构变异对疾病的影响往往更大——一个基因整个丢掉了，那可比一个碱基突变严重多了。我曾经参与过一个罕见病项目，病人在其他平台查了几轮都找不到致病位点，最后用WGS看结构变异才发现是一个大片段倒位把基因打断了。嗯，从这个角度看，WGS的优势就体现出来了：它能同时检SNP、Indel、SV和CNV。
1.3 WGS生信流程框架概览
搭建一个WGS的生信流程，说白了就是一套从原始数据到变异列表的自动化处理管道。我建议你先在脑子里建立一个大流程框架，再往里面填具体工具。
标准的WGS变异检测流程，通常包含这几个核心步骤：
- 原始数据质检（QC）——用FastQC等工具看数据质量。我曾经踩过坑，样本的测序质量看起来还行，但后来发现GC含量跑偏了，导致后面的一堆Caller都给了错误结果。质检，马虎不得。
- 序列比对——BWA-MEM是主流选择，把reads比对到参考基因组。这一步非常吃资源。
- 比对后处理——去重、碱基质量校正（BQSR）。去重这一关，我是建议不要省掉。
- 变异检测——用GATK HaplotypeCaller或DeepVariant等工具，在比对结果上找变异。
- 变异质控与过滤——VQSR或硬过滤，筛掉假阳性。这步做不好，结果全是噪音。
等一下，别急着背步骤顺序。实际项目中，每一步都有很多参数调优空间。比如BQSR这一步到底要不要做？如果你的数据质量特别高、测序平台新，也许可以直接跳过。但如果你在用Illumina的老型号，做BQSR能明显减少系统偏差。我个人的经验是：不要盲目套用别人流程的参数，得对自己手里的数据有数。
好，到了看一张图的时间。我画了一个WGS流程的骨架图，方便你从宏观上把握各模块之间的关系。
流程图里每个步骤都环环相扣。你可能觉得“就这些吗？太简单了吧？”其实不是。每个步骤内部还有大量的细节：BWA-MEM参数怎么调？GATK HaplotypeCaller选什么模式？VQSR用哪些训练集？嗯，这些我们会在后续章节逐一拆解。
1.4 为什么选择WGS？它的核心优势与局限
WGS和WES（全外显子组测序）到底选哪个，是个经典问题。我的看法是：
- WGS的优势： 覆盖均匀，能检到内含子、基因间区和调控区域；结构变异检测能力远超WES；不需要捕获探针，避免了捕获偏好。
- WGS的局限： 数据量大（约100-150 GB / 样本），存储和分析成本高；对低质量样本的容忍度低。
1.5 本章小结
这一章我们只是搭了个大框架。你知道了WGS的基本原理，认识了SNP、Indel、SV和CNV这四类常见变异，也记住了从原始数据到VCF的五个核心步骤。接下来我会带着你，一步步把这个流程用Nextflow落地。别怕，这个框架看起来大，但拆解开来，每一块都不难掌握。