3、TMB计算原理与标准化流程归纳总结
TMB（Tumor Mutational Burden）这几年在免疫治疗里热度一直很高。但说实话，很多同行对它的理解还停留在“数一数突变个数”的层面。实际操作起来，坑不少。我最早接触TMB计算是在一个多中心临床项目里，不同site送来的数据、不同panel的覆盖区域、甚至用的参考基因组版本都不一样——那会儿我才意识到：不把流程标准化，出来的TMB根本没法比。
这一节我就把TMB的计算原理掰开了讲，再给出一套我自己项目中沉淀下来的标准化流程。希望能帮你少走弯路。
TMB到底怎么算？
TMB的核心定义很简单：每百万碱基（Mb）中所包含的体细胞突变数目。计算公式就是：
TMB = （体细胞非同义突变个数） / （目标区域有效大小，单位 Mb）这里有几个关键点我跟你细说一下。
- 体细胞突变：必须是肿瘤组织vs正常对照（或通过算法推断）检出的体细胞变异，胚系突变（germline）要剔除。
- 非同义突变：通常只统计导致氨基酸改变的突变，比如错义、无义、移码、框内插入缺失等。同义突变一般不算，因为不直接影响蛋白。但我遇到过有些商业panel会把同义也算进去，这个做法我不太认同，因为会稀释真正的信号。
- 目标区域有效大小：不是panel的总长度，而是去除低覆盖区域、重复区域、难比对区域后，实际能可靠检出突变的碱基数。这个数字在计算时很关键，不同处理方式会导致TMB结果差几倍。
给一个简单的Python计算脚本示例，帮你理解每一步：
# 示例：从突变列表计算TMB
mutations = load_vcf("tumor_only.vcf")
# 1. 过滤胚系变异（这里简单示例，实际需要数据库或配对）
somatic_muts = [m for m in mutations if m["filter"] == "PASS" and m["is_germline"] is False]
# 2. 只保留非同义突变
nonsynonymous = [m for m in somatic_muts if m["effect"] in ["missense", "nonsense", "frameshift"]]
# 3. 获取目标区域有效大小（单位：Mb）
effective_bases = get_panel_bed("panel.bed") # 返回有效碱基数（如 1.2e6）
effective_mb = effective_bases / 1_000_000
# 4. 计算TMB
tmb = len(nonsynonymous) / effective_mb
print(f"TMB = {tmb:.2f} muts/Mb")is_germline的判断，没有配对正常组织时，必须依赖公共数据库和严格的等位基因频率阈值（比如gnomAD AF > 0.001 视为可能胚系）。我见过有人直接忽略这一条，结果TMB虚高，导致临床决策失误。
标准化流程有多重要？
你想想看，同一个肿瘤样本，用Illumina平台和MGI平台跑，再用不同生信流程（比如GATK4 vs Sentieon），最后算出来TMB能差多少？我亲身经历过一个案例：同一份FFPE样本在两个中心分别建库、测序、分析，一个TMB=12.3 muts/Mb，一个TMB=8.1 muts/Mb。患者最终能否用免疫治疗，直接看这个数字的。如果没有标准流程，人跟人之间没法交流。
所以我归纳了一套TMB标准化计算流程，分成8个关键步骤：
- 原始数据质控（FASTQ质检，去除低质量reads和接头）
- 比对（BWA-MEM或Sentieon等，推荐GRCh38/hg38）
- 标记重复（Picard MarkDuplicates，处理PCR重复）
- 碱基质量重校准（BQSR，减少系统误差）
- 体细胞突变检出（Mutect2、Strelka2、VarScan2等，建议双调用工具）
- 突变过滤（普通变异过滤 + 胚系过滤 + 假阳性过滤）
- 突变注释（VEP或annovar，获取效用信息）
- TMB计算（按上述公式，使用panel的bed文件）
为了你更直观地看到差异，我把常见参数列了一个表：
| 步骤 | 推荐工具/参数 | 常见坑 |
|---|---|---|
| 比对 | BWA-MEM（-M、-t 4） | 不同版本对比对质量有影响，我统一用0.7.17 |
| 突变检出 | Mutect2（--tumor-lod 6.3） | LOD太低假阳性高，太高会漏掉低频突变 |
| 胚系过滤 | gnomAD AF > 0.0005 排除 | 阈值需要根据panel大小调整，小panel建议更严格 |
| 假阳性过滤 | 链偏好（FS > 60）、映射质量 < 30 | 千万别只用PASS标记，很多假阳性也在PASS里 |
| 区域大小 | 从panel bed文件计算，排除低覆盖（<100×）位点 | 很多人直接拿panel总长度，这是错的 |
我的经验：不要在过滤阶段手软。宁可TMB略低，也比虚高导致假阳性临床决策好。我宁愿多花一天时间做手工QC，也不要直接信任管道的默认输出。
我的标准化建议
上面讲了流程和参数。下面我给出三条我自己项目中反复验证过的硬性建议。
1. 统一背景数据库
胚系过滤强烈依赖公共数据库。我建议使用gnomAD v3.1.2（非癌症人群）作为主数据库，并辅以1000 Genomes和ExAC。不同site必须使用同一版本数据库。曾经有个合作方用了gnomAD v2.1，我们用的v3.1，结果差异很大，最后只好全部重跑。
2. 白名单区域文件
不要用panel厂商给的bed文件直接计算区域大小。那些区域常常包含重复序列、难以比对区域、同源区。我建议自己用全基因组测序的黑色列表（如ENCODE的blacklist），手动剔除。这一步能把TMB结果的波动降低50%以上。
3. 双工具交叉验证
如果条件允许，同时用Mutect2和Strelka2分别跑一遍，只取交集。虽然敏感度会稍有下降，但特异度提升非常明显。在临床项目中，患者分组的准确率比多检出几个突变重要得多。
上面这张图概括了从原始数据到最终TMB报告的全流程。你可以把它贴在工位上，每次跑分析前对照检查是否有遗漏或偏差。