📚 课程目录第1章变异检测概述

1. 变异检测概述

我先问你一个问题：你做过基因检测吗？不管是肿瘤靶向用药、遗传病筛查，还是祖源分析，背后都绕不开一个关键技术——变异检测。说白了，就是从测序数据里把那些和参考基因组不一样的位置揪出来。我在刚入行时总觉得这步很简单，拿着GATK跑个pipeline就完事了。结果有一次在项目里，一个重要的临床位点因为参数默认值没调，直接漏检了……后来我才明白，参数调试才是变异检测的灵魂。

这一章我们先搭个框架。把变异检测在精准医学里干什么用、常见的变异长什么样、以及学这门课需要哪些底子，一次性说清楚。

1.1 精准医学中的变异检测

精准医学的核心，就是“因人而异”的诊疗方案。而“因人而异”的分子基础，就是基因组上的差异。变异检测做的是从原始测序数据（FASTQ/BAM）到变异列表（VCF）的翻译工作。我见过很多临床团队，拿到一份VCF之后，直接去注释数据库里查意义，却很少回头看看这些变异是怎么检出来的。其实，下游所有分析的可靠性，完全取决于上游变异检测的参数调得对不对。

举几个具体场景：

肿瘤体细胞变异：需要从肿瘤-正常配对样本中找到低频突变的克隆，参数对等位基因频率（AF）的阈值非常敏感。
遗传病胚系变异：要找出罕见的致病位点，但测序深度低的区域容易漏检，参数里最小支持读段数必须结合实际覆盖度调整。
药物基因组学（PGx）：某些位点（如 CYP2D6 的拷贝数变异）需要专门的SV检测参数，否则结果完全不可信。

你想想看，如果变异检测阶段就丢失了一个关键变异，后面所有的生物学解释都是白搭。所以这门课就是要帮你搞清楚：参数到底怎么调，每个值的意义是什么，踩了哪些坑我能帮你先填上。

我自己的一点经验：不要盲目相信默认参数。哪怕是GATK4推荐的Best Practices，也必须在自己的数据上做小范围验证。每个项目的数据质量不同，默认值只适合“平均场景”，而你的场景几乎从不平均。

下面这张图展示了我个人习惯上对变异检测在精准医学中角色定位的梳理——从样本到临床应用，核心环节层层递进。

1.2 常见变异类型

做变异检测，你得先认识对手。常见的三类：SNP、INDEL、SV。我当初刚接触时，总觉得SV离我很远，直到在肿瘤项目里碰到一个 EGFR 的融合变异，才发现不掌握SV参数，根本没法把这活儿干好。

变异类型	全称	长度	检测难点	典型工具
SNP	单核苷酸多态性	1 bp	同聚物区域碱基质量校正	GATK HaplotypeCaller, bcftools
INDEL	插入/缺失	1~50 bp	比对错误导致的局部重组装需求	GATK HaplotypeCaller, Platypus
SV	结构变异	50 bp ~ 几个Mb	断点精确性、低深度区域检出率	DELLY, Manta, Lumpy

很多人只关注SNP，觉得INDEL和SV用默认参数跑就行。但我在项目里踩过一个大坑：用GATK的默认INDEL参数处理WGS数据，结果在重复区域检出大量假阳性INDEL。后来才知道，需要调整 --max-assembly-region-size 和 --active-probability-threshold。这些细节，我们后面章节会逐一拆解。

这里放一个示例VCF记录，让你直观感受三类变异在文件里的样子：

#CHROM  POS     ID      REF     ALT     QUAL    FILTER  INFO
chr1    12345   .       A       G       250.77  PASS    DP=50;AF=0.48;TYPE=SNP
chr2    67890   .       ACG     A       320.10  PASS    DP=40;AF=0.42;TYPE=INDEL
chr5    11111   .       T       TACGG   198.50  PASS    DP=30;AF=0.33;TYPE=INDEL
chr7    22222   .       C       <DEL>   410.00  PASS    SVLEN=-350;SV TYPE=DEL;END=22572

注意：上面VCF里的 <DEL> 是结构变异的占位符表示，实际SV检测通常会输出符号ALT（如 <DUP>、<INV>）。很多初学者误以为VCF中SV的REF/ALT是具体序列，其实对于大片段重组，用符号表示更高效。这也是参数调试时需要在工具层面区分“符号模式”和“碱基模式”的原因。

1.3 课程目标与前置知识

这门课不是我一个人闭门造车搞出来的，而是结合了我这几年在多个项目中反复调参的实战记录。目标很明确：

理解每个参数背后的生物学和统计学意义——不是背文档，而是真正知道“为什么这么设”。
能根据数据类型（WGS/WES/targeted panel）和平台（Illumina/MGI/ONT）调整参数。我记得有一次从Illumina换成MGI数据，同样的参数组合检出率掉了15%，排查两天才发现是 --base-quality-score-threshold 不匹配。
掌握常见调参策略和调试流程，从粗调到微调，逐步逼近最优解。

前置知识方面，我建议你至少有这些东西打底：

基础的分子生物学（DNA、RNA、测序原理）
Linux命令行操作（至少会 grep、awk、samtools 基本用法）
对 VCF/BAM/FASTQ 格式有概念性了解（我后面会复习，但不从零讲）
最好跑过至少一条标准的变异检测pipeline（比如GATK Best Practices或bcftools + freebayes）

如果你之前只在云平台上点过按钮，没在命令行上调过参数，也没关系——我的讲解会从参数名字本身开始，每一个都会给你一个具体的值范围和测试场景。

我个人的一个小建议：在学这门课之前，准备好一个约5M的测试BAM文件（可来自公开数据集，比如NA12878）。每次调整参数后，用 bcftools stats 对比结果变化。纸上谈兵永远不如亲手试一遍。

1.4 本章小结

这一章我们聊了变异检测为什么是精准医学的支柱之一，认识了SNP/INDEL/SV三兄弟，也框定了课程目标和需要的基础。说白了，后面29章所有的参数调试，都是为了解决同一个问题：让变异检测的结果更准、更全、更可靠。