测序深度：概念与生物学意义
聊到NGS数据分析，我第一个要跟你聊的，就是测序深度。说实话，不管你的实验设计多漂亮，文库构建多完美，最终决定结果可信度的，就是这两个字——深度。
我见过太多项目，花了大把精力跑数据，结果因为深度不够，关键变异没检出，前功尽弃。反过来，也有人盲目追求高深度，成本翻倍，收益却微乎其微。
所以这一章，我们先把“测序深度”这个概念彻底说透，再聊聊它到底有什么生物学意义。
到底什么是测序深度？
测序深度，英文叫Sequencing Depth或Coverage Depth，简单说就是：基因组上每个碱基被测到的平均次数。
举个例子。你的基因组有3G个碱基，跑完测序后，总共得到了300G的序列数据（也就是reads）。那么平均每个碱基被测到的次数就是：
300 Gb ÷ 3 Gb = 100也就是100x或100×覆盖率。这个数字越大，说明同一段DNA被你反复测的次数越多，结果越可靠。
但这里有个误区：很多人以为平均深度100x，就代表所有区域都有100x覆盖。错！基因组不同区域的覆盖度很不均匀——GC含量高的区域、重复序列区域、结构变异热点区域，往往覆盖度偏低。嗯，这就是我们在实际项目中经常碰到的坑。
深度不够会发生什么？
我整理了一张表，直观对比一下低、中、高深度下的主要问题。
| 深度等级 | 平均覆盖倍数 | 主要风险 | 典型应用场景 |
|---|---|---|---|
| 极低深度 | ＜1× | 基因组覆盖不全，丢失大量信息 | 宏基因组快速筛查 |
| 低深度 | 1×～10× | 变异检测敏感性极低，假阴性高 | 物种鉴定、拷贝数粗筛 |
| 中等深度 | 10×～30× | 能检出常见SNP，低频变异易漏 | 全外显子组、群体遗传 |
| 高深度 | 30×～100× | 支持精准变异检出，低频体细胞突变可查 | 肿瘤‑正常配对、遗传病诊断 |
| 超高深度 | ＞500× | 可检测0.1%~1%级别稀有变异 | 液态活检、MRD监测 |
举个我自己的例子。几年前做肿瘤液态活检项目，ctDNA的占比只有0.5%左右。最开始我们设的深度是200×，结果连目标突变都看不太清楚——背景噪音和真实信号混在一起，没法分清。后来硬着头皮把深度拉到1000×以上，才把低频突变稳稳抓出来。那之后我定下一条规矩：深度不够，分析结果就像隔层毛玻璃看东西，模模糊糊的。
深度的评估，不能只看平均数
很多人拿到测序报告，只看“平均深度100×”就觉得很安心。但实际项目中，我建议大家至少看三个指标：
- 平均深度（Mean Depth）：全局平均值，仅供参考。
- 均匀度（Uniformity）：有多少比例的碱基覆盖深度超过平均深度的20%或50%。这个指标反映深度在基因组不同区域的分布是否均匀。
- 缺失覆盖区域（Coverage Gap）：深度为0的区域占基因组的比例，尤其是外显子区和重要基因区域。
我记得有一次帮合作团队评估一批全外显子组数据，平均深度报告写的是120×，看着挺好。但我拿samtools depth一跑，发现某个强致病基因的外显子区域覆盖度只有8×。细查原因才发现，那个区域GC含量高达82%，捕获效率极低。如果只看平均数，这个重要的基因就被漏掉了。所以我说，深度分布的不均匀性，往往比平均数本身更值得关注。
深度到底设多少才合适？
这是一个很实际的问题。我的建议取决于你要回答的生物学问题。为了让你更直观地理解，我画了一张概念图。
从图上可以看出来，测序深度并非越高越好，而是要跟你的科学问题匹配。下面我细说一下不同场景下我对深度的习惯性设置。
实用深度建议清单：
- 全基因组 de novo 组装： 一般需要30×～50×，即使是基因组复杂度较高的物种也能保证连续性。
- 全外显子组测序（WES）： 体细胞变异检测建议100×～200×；仅检测胚系变异30×～50×就够。
- 肿瘤‑正常配对检测： 肿瘤样本≥100×，正常对照≥50×。如果需要检测低频克隆变异，最好上到200×以上。
- 液态活检（ctDNA）： 500×～1000×甚至更高。我个人的经验是低于500×很难稳定检出0.1%以下的突变。
- 单细胞测序： 由于每个细胞起始量极低，建议覆盖深度不低于10×，但往往需要多细胞合并分析。
小技巧：
拿到原始FASTQ后，别急着跑完整流程。先用samtools flagstat和samtools depth看看全局分布，再用mosdepth生成一个区域覆盖度报告。我现在几乎每个项目都这么做——花两分钟判断数据质量，可以后面省两天返工时间。
深度不足，就是缺失值的开端
最后说一个贯穿整个课程的关键点：缺失值很大一部分来源于深度不足。
当一个位点的覆盖深度低于检测阈值，这个位点的基因型就会变成缺失（missing genotype）；如果整个区域都没有覆盖到，那就是缺失区域（missing region）。这种缺失不是随机的，而是有系统偏好的——往往集中在高GC区、重复区和结构变异边界区域。如果后续分析中忽略了这些缺失模式，就会产生高假阳性或假阴性，影响下游解读。
避坑指南：
我曾经处理过一个肿瘤大panel数据，测序深度报告写得非常漂亮——平均深度800×。但当我细看特定目标区域（如MSI检测区域）时，发现覆盖度只有20×～30×。因为这些区域结构特殊，探针捕获效率极低。如果你只相信平均深度，肯定会掉坑里。所以关键区域的深度必须单独评估，不能只看全局统计。
这堂课只是一个开始。如果你理解了测序深度的本质和它的不均匀性，那么后面遇到的缺失值处理、深度校正、低频变异过滤等一系列问题，都会变得有据可依。说白了，深度就是测序数据的根本——根基扎牢了，上层分析才能站得住。