📚 课程目录第1章变异检测概述

变异检测概述：应用场景与基本概念

大家好，我是老张。做生信这行有些年头了，变异检测这块坑踩了不少，也攒了些经验。这一章咱们先聊聊基础——不是什么枯燥的定义堆砌，而是把变异检测到底在干嘛、用在哪儿、核心逻辑是什么，掰开揉碎了讲清楚。

你想想看，做人类基因组也好，肿瘤测序也好，或者搞动植物育种，最终目的都是找出样本跟参考基因组不一样的地方。这个“不一样”，就是变异。怎么从海量测序数据里把这些位点揪出来？这就是变异检测要干的事。

1.1 变异检测在干什么

说白了，就是拿着测序仪产出的短读长（reads），跟参考基因组比对，然后看哪些位置对不上。对不上的地方，可能是单个碱基换了、多了、少了，也可能是大段结构变了。

我个人习惯把变异检测比作“找茬游戏”：参考基因组是标准答案，你的样本是答题卡，测序数据就是答题卡上的铅笔痕迹。我们要从那些模糊、重叠、有噪声的痕迹里，识别出真正写错的地方。

核心思路：比对 → 检测 → 过滤 → 注释。这个流程在所有主流工具里都大同小异，区别在于每一步的算法和参数。

1.2 应用场景——你在什么项目里会遇到它

不同场景对变异检测的要求差得挺远。我列几个我实际接触过的典型场景：

场景	典型项目	检测重点	参数要求
人类遗传病	WGS/WES 家系分析	SNP、Indel（尤其是罕见变异）	高灵敏度，低假阳性
肿瘤体细胞突变	肿瘤-正常配对测序	SNV、小 Indel、CNV、SV	低等位基因频率检出，降噪
动植物育种	GWAS、群体遗传	SNP 密度，群体多态性	批量处理，硬过滤标准
微生物/病毒	病原体溯源、耐药突变	高深度位点，低频变异	低深度阈值，高深度矫正
三代测序	PacBio/ONT 结构变异	大段缺失、插入、倒位	比对容忍度，链特异性处理

我在一个肿瘤项目里遇到过这样的情况：用默认参数跑GATK HaplotypeCaller，结果把测序深度低的区域全判成杂合缺失。后来发现是参数里的最小碱基质量阈值设得太低，导致很多假阳。你看，参数不对，后面的注释全白费。

1.3 变异检测的核心概念

为了后面聊参数时不懵，先快速过几个你必须搞清楚的名词：

参考基因组（Reference）：比对的目标序列。hg38、GRCh37、T2T-CHM13 你是要选的。不同版本影响比对结果。
比对（Alignment）：把 reads 贴到参考上。常用的 BWA-MEM、minimap2。比对质量直接决定检测质量。
碱基质量（Base Quality）：每个碱基的测序置信度。Phred 分数，Q30 = 1/1000 错误率。检测时会根据质量加权投票。
测序深度（Depth）：覆盖到某个位点的 reads 数量。深度不够，低频变异根本看不到，或者假阳性爆炸。
等位基因频率（AF）：支持变异 reads 占该位点所有 reads 的比例。体细胞突变一般要求 AF ≥ 0.05~0.1，生殖系突变期望 0.5（杂合）或 1.0（纯合）。
重比对（Realignment）：在 Indel 附近重新调整 reads 位置，减少错配。老工具依赖这一步，新模型（如 GATK4 的 HaplotypeCaller）内嵌了局部组装。
硬过滤 vs 软过滤：硬过滤是直接丢掉不达标的位点，软过滤是标记出来留给下游自己定。实操里我倾向先软过滤，做诊断项目时再硬过滤。

避坑指南：我早期一个项目里用了默认 Q20 的碱基质量阈值，但测序数据是 NovaSeq 的，Q20 以上比例极高，导致大部分假阳性没滤掉。后来改成 Q30，效果立刻改善。那个项目让我养成了“先看数据质量分布再定参数”的习惯。

1.4 主流工具与调用方式

现在业内常见的变异检测工具有这些：

GATK（HaplotypeCaller, Mutect2）：人类 WGS/WES 金标准，以局部 haplotype 组装为核心。
freebayes：基于贝叶斯的非流程检测，适合群体和细菌，速度快。
bcftools + samtools mpileup：老牌组合，适合快速预览和批量过滤。
DeepVariant：Google 的深度学习方法，使用 CNN 模型，精度高但吃 GPU。
Strelka2：Illumina 出品，兼顾速度和准确度，支持体细胞和生殖系。

调用方式基本都遵循：先比对，再排序标记重复，然后跑检测。拿 GATK 举个例子：

# 比对
bwa mem -t 8 -R '@RG\tID:my_sample\tSM:my_sample\tPL:ILLUMINA' \
  reference.fa sample_R1.fastq.gz sample_R2.fastq.gz | \
  samtools sort -o sample_sorted.bam

# 标记重复（预处理必做）
gatk MarkDuplicates -I sample_sorted.bam -O sample_dedup.bam -M metrics.txt

# 调用 Germline SNP/Indel
gatk HaplotypeCaller \
  -R reference.fa \
  -I sample_dedup.bam \
  -O sample_raw_variants.vcf

嗯，这里要注意：@RG标签不写的话，后面很多分析脚本直接报错，或者分组出错。我见过有人跑完了100个样本才发现所有样本的RG都一样，结果没法合并GVCF——那一周白干了。所以养成习惯，每一步都检查文件头和元数据。

1.5 变异检测的整体流程框架

下面这张图是整个章节的知识骨架，也是后续参数调优的思维地图。我把它画出来，你保存好，后面每一章都会围绕这些节点展开。

1.6 参数调优的第一原则

你可能会问：“老张，这么多参数，到底哪些最重要？” 我个人经验，第一步永远是看数据质量。打开 FastQC 报告，看碱基质量分布、GC含量、接头污染、重复率。如果这里有硬伤，后面怎么调参数都没用。

警告：永远不要在没看过质量报告的情况下直接跑变异检测。我在一个外显子项目里，测序中心把接头没去除干净的样本发过来，我直接跑 HaplotypeCaller，结果假阳性率超过 40%。后来发现是 adapter 污染导致的错误比对。浪费了整整一周的计算资源。

另一个经验是：记住你的参考基因组版本。我见过有人用 hg38 比对，却用 GRCh37 的 dbSNP 做过滤，结果大量已知位点被错误标记。检查参考版本、dbSNP 版本、注释数据库版本是否一致，是必须做的作业。

好了，这一章把大背景讲清楚了。后面每一章我们会深入到一个具体参数：从碱基质量阈值、映射质量、深度过滤、AF 阈值、到 Indel 区域重比对、硬过滤条件、联合基因型……每一个参数我都会告诉你怎么设、为什么这么设、以及我在项目中踩过的坑。