参考基因组选择与索引构建

做变异检测，第一步往往不是跑软件，而是挑基因组。你可能觉得“用hg38不就完了？”嗯，没那么简单。我亲手栽过这个坑——用错版本，结果一整个批次都重跑，浪费了三天。今天咱们就来聊聊参考基因组怎么选、索引怎么建，把这块地基打牢。

参考版本：hg19 vs hg38 vs T2T

目前主流的人类参考基因组有三个版本：

我自己的习惯是：

• 做常规WGS/WES分析，优先hg38。为什么？因为hg19在着丝粒、端粒和某些复杂区段存在系统性拼接错误，hg38修复了这些问题；
• 如果项目需要跟已有的大量hg19数据做联合分析（比如千人基因组计划、ClinVar早期版本），那就只能选hg19，但要做好坐标转换的心理准备；
• T2T目前还比较新，很多工具对它的支持不够成熟。我建议只在做结构变异、着丝粒区域变异或者新参考评估时使用。

索引构建：bwa index + samtools faidx

选好参考后，索引构建有两个必做步骤。

1. bwa index — 比对用的FM-index

BWA（Burrows-Wheeler Aligner）需要为参考基因组构建FM-index，才能做快速比对。命令很简单：

bwa index -a bwtsw hg38.fa

参数说明：

• -a bwtsw：对于大型基因组（比如人类），必须用bwtsw算法，否则index会出错；对细菌等小基因组用is算法更快。
• 输出文件：hg38.fa.amb, .ann, .bwt, .pac, .sa 共5个文件，缺一不可。

时间参考：一台16核服务器，hg38大约需要3-4小时。我建议你把这一步放在每天晚上，第二天醒来就建好了。

2. samtools faidx — FASTA索引

很多工具（比如samtools, bcftools, GATK）需要快速随机读取参考序列的某一段，这就需要samtools faidx生成的.fai和.gzi文件：

samtools faidx hg38.fa

输出：hg38.fa.fai（文本格式的行索引）和hg38.fa.gzi（二进制压缩索引）。

注意：如果你同时使用了bwa index和samtools faidx，两个索引完全独立。不要只建其中一个——我在项目中见过有人只跑了bwa index，结果GATK报错说找不到.fai，折腾半天。

索引构建的常见错误

• 参考文件路径含空格或中文：bwa index会失败，而且报错信息很隐晦。
• 内存不足：bwa index对hg38大约需要15-20GB RAM。如果机器不够，可以加-t多线程，但内存还是会吃紧。
• 硬链接导致索引损坏：如果你在共享文件系统上做了硬链接，bwa index可能写入时产生文件锁冲突。

SVG：参考选择与索引构建流程

索引文件的存放与复用

索引文件创建后可以反复使用，不需要每次分析都重建。我习惯把参考和索引放在一个专用目录：

/ref/
├── hg38.fa
├── hg38.fa.fai
├── hg38.fa.gzi
├── hg38.fa.amb
├── hg38.fa.ann
├── hg38.fa.bwt
├── hg38.fa.pac
├── hg38.fa.sa
├── hg38.dict   (可选，由GATK的CreateSequenceDictionary产生)
└── hg38.fa.alt (如果包含ALT contigs)

注意两点：

• 不要把原始FASTA放在网络挂载的NAS上然后直接建索引，网络延迟会导致bwa index不稳定；
• 如果你需要切换参考版本（比如hg19→hg38），不要试图复用索引，必须重新建。