📚 课程目录第1章 WGS胚系突变分析概述

WGS胚系突变分析概述：应用场景与挑战

1.1 什么是WGS胚系突变分析？

全基因组测序（WGS），说白了就是把一个人的全部DNA都测一遍。30亿个碱基对，一个不落。你可能会问：“那跟全外显子组（WES）有什么区别？”我过去几年做过不少项目，两种方法都跑过，给你一个直观的对比：

对比项	WES	WGS
覆盖范围	~2% 基因组（外显子区）	100% 基因组（含内含子、调控区）
均一性	捕获效率不均，GC偏好明显	覆盖均一，无捕获偏好
结构变异检测	弱——片段短、捕获跳过	强——连续覆盖、可跨断点
每样本数据量	~10GB FastQ	~100GB FastQ
每样本成本	低（捕获+测序）	高（纯测序、无捕获）

胚系突变（germline mutation）是指那些从父母遗传下来、存在于个体所有细胞中的变异。它跟体细胞突变（只在肿瘤组织中存在）是两码事。一旦拿到WGS数据，我们要做的是：把测序产出的FastQ文件比对到参考基因组，然后找出与参考序列不同的位置，再进一步筛选出真正影响基因功能的变异。这个流程，我习惯称之为“从原始信号到临床可报告变异”的完整管道。

WGS胚系突变分析的核心目标就三个字：找全、找准、算好。找全——不漏掉致病突变；找准——不报假阳性；算好——30个样本、300个样本、3000个样本都能稳定跑下来。

1.2 应用场景：哪里真正需要WGS？

我刚开始做生信那几年，WGS还不算普及，很多项目先用WES筛选一圈。结果呢？不少致病突变就藏在内含子深处或者非编码RNA区，WES根本抓不到。后来我逐渐总结出WGS真正能发力的场景——你想想看，是不是这些问题：

1.2.1 罕见病诊断——别再只盯着外显子了

罕见病大多涉及遗传因素。但很多致病位点并不在编码区。我记得有个案例，一个患儿临床高度怀疑单基因病，WES跑了两轮都是阴性。最后WGS一上，发现一个深内含子的变异影响了剪接——标准WES捕获区域根本没覆盖到那个内含子。所以，如果你在做罕见病诊断，我建议优先考虑WGS，至少留一个WGS备选方案。

1.2.2 肿瘤遗传易感性——BRCA不只是那几段

肿瘤遗传咨询中，最经典的就是BRCA1/2变异检测。很多检测平台只做外显子+侧翼区域，但BRCA1的大片段重排、深内含子假外显子突变、甚至启动子区结构变异，都会影响蛋白质功能。用WGS才能把这些类型的变异“一网打尽”。

1.2.3 群体遗传学研究——全基因组层面的“考古”

千人基因组计划、中国万人基因组计划，用的都是WGS。为什么？因为只有全基因组数据才能精确计算人群频率、连锁不平衡、选择压力。你拿着一个SNV问“这个位点在人群中的频率是多少？”，WGS的结果比WES更可靠——因为WES的捕获效率在不同区域不一致。我记得有一次用gnomAD数据库查一个内含子变异频率，发现WES来源的频率数据浮动很大，最终还是用了WGS子集的数据。

1.2.4 精准医学队列——统一标准、降低批次效应

大型队列（UK Biobank、All of Us）都选择了WGS作为统一检测手段。为什么不用更便宜的WES？道理很简单：统一的检测方案 = 最小的批次效应。WGS不需要捕获试剂盒，不同批次之间几乎不存在探针差异。这对后续的统计分析和机器学习建模来说，是大优势。

一点提醒：并不是所有项目都需要WGS。如果你的研究明确只针对已知外显子突变（比如几个基因的已知热点），那么WES或靶向捕获更划算。WGS适合的是“不知道问题在哪，但需要全面排查”的场景。

1.3 挑战：WGS数据不是拿来就能用的

嗯，这里我要认真说一句：WGS的优点再多，也扛不住数据量大带来的麻烦。30亿个碱基对、每样本100GB的原始数据、几百个样本的队列——这些问题如果不提前想好，流程跑起来你会非常痛苦。

1.3.1 数据量巨大——存储和IO都是瓶颈

一个典型场景：100个WGS样本，30X覆盖深度。原始FastQ就超过10TB。加上比对后的BAM文件（~60GB/样本，压缩后~30GB），gVCF文件（~3GB/样本），最终VCF文件（~1GB/样本再压缩）。你算算，100个样本的总存储需求：

FastQ: 10TB
BAM: 3TB（压缩后）
gVCF: 300GB
VCF: 100GB
中间文件（临时、索引、日志）: ~2TB

总存储约16TB。这还只是原始数据+分析结果，还不算流程运行时的临时IO开销。如果你在云端跑，对象存储费用、EBS卷费用都很可观。我在一次项目中，单是存储成本就占到总预算的40%。

1.3.2 比对算法吃性能——CPU和内存的博弈

目前主流的比对工具是BWA-MEM。我个人的实测数据：一个30X的WGS样本，单线程BWA-MEM需要约30小时。如果用40个线程并行，可以压缩到50分钟以内。但前提是——你的机器要有足够的内存（至少32GB RAM）和高速磁盘（SSD或NvME）。

# 核心命令示例——BWA-MEM比对
bwa mem -t 40 -R "@RG\tID:SAMPLE1\tSM:SAMPLE1\tLB:WGS\tPL:ILLUMINA" \
  /ref/hg38.fasta \
  sample1_R1.fastq.gz sample1_R2.fastq.gz | \
  samtools view -Sb -o sample1.bam

这条命令看似简单，但跑起来你就知道了。40个线程的机器不能同时跑太多样本，否则IO打满、内存争抢，反而比单跑还慢。我见过不少初学者一上来就开50个并行任务，结果集群直接卡死。

1.3.3 变异检测的“假阳性”与“假阴性”——终身的博弈

WGS的变异检测不像你想象的那么简单。GATK的HaplotypeCaller或者DeepVariant，它们输出的VCF里有很多“可疑”的变异。尤其是在重复区域、同源序列区、低复杂度区，假阳性特别多。反过来，真正的致病突变也可能因为测序深度不均而被漏掉。

我讲一个具体的例子：在外显子-内含子交界区，GATK的默认参数倾向于把跨越剪接位点的变异标记为“低质量”。我曾经漏过一个GLI3基因的剪接区突变，直到第二轮分析才手工检查出来。所以我建议，WGS分析绝对不能只看PASS标记的变异，一定要看原始数据、看IGV可视化。

注意：WGS变异检测的过滤策略一定要根据数据质量调整。不要直接套用千人基因组计划的过滤参数——他们的数据质量比你手上的临床样本高很多。直接套用会导致大量真阳性变异被错误过滤掉。

1.3.4 计算资源——到底要多少？

很多团队在开始做WGS时最大的困惑就是：“我到底需要多少机器？”我给你一个参考配置——对30X人WGS样本的单个分析流程（从FastQ到gVCF）：

资源项	建议配置	单样本耗时
CPU	32~64核心（单样本）	~4小时（含比对+变异检测）
内存	64~128GB	实时分配
磁盘	NVMe SSD，10TB+可用空间	IO密集型
网络	10Gbps+（云端跨region）	上传/下载瓶颈

如果是对50个样本并行，你需要至少16台这样的机器。云上费用大约:$0.5~1.0/样本/小时(按需实例)，50个样本并行约需要1000~2000小时的总计算量。你要是跑在本地集群，要考虑机房散热、电力、运维成本。嗯，不便宜。

1.3.5 可重复性——管道版本、容器、环境

WGS分析不是一次性的活儿。你今天跑完一批样本，明天可能换了一版GATK、改了几个参数，结果就不一致了。这是生信领域的老大难问题。

我个人建议从一开始就使用容器化方案（Docker/Singularity），配合Conda/Mamba管理工具版本。Nextflow天生支持容器，这也是我为什么选择用它讲课的原因——你可以在Nextflow配置文件中明确定义每个工具的版本、参数、镜像：

process {
    container = 'broadinstitute/gatk:4.4.0.0'
    withName: BWA_MEM {
        container = 'biocontainers/bwa:v0.7.17'
    }
    withName: MARK_DUPLICATES {
        container = 'broadinstitute/picard:3.0.0'
    }
}

这样，不管你在哪台机器上执行，环境完全一致。我曾因为环境不一致栽过跟头——同一个pipeline，两个分析人员跑出不同的结果，最后发现是工具版本差了一个小更新。从那以后，我硬性要求团队成员统一容器化。

1.4 本章小结：我们必须要做的事

回顾一下，我们面对WGS胚系突变分析，要做的核心工作其实可以总结成一张图：

这张图就是一个标准的WGS胚系分析管道骨架。从输入、比对、变异检测、过滤质控到注释报告。在后续的课程中，每一讲都会深入拆解这些环节。

再次提醒：WGS分析不是一锤子买卖。你跑完一次pipeline，最多只算是完成了70%。剩下30%——变异过滤策略调整、假阳性人工复核、家族共分离验证、甚至重新比对——这些才是体现分析深度的部分。

做完这趟分析之后，你将拿到一份包含所有SNV、InDel、CNV、SV的VCF文件。但千万别急着写报告。打开IGV，看看那些被过滤掉的“低质量”变异——也许你会有新的发现。我这么做过，而且受益良多。

好，这就是WGS胚系突变分析概览。接下来我们会一步步深入每个具体环节，用Nextflow构建一个既能跑在硬件上、也能云上扩展的生产级pipeline。