4. 实验室间差异来源：样本处理、测序平台、分析流程、参考基因组
咱们这行有个共识：没有完全一样的实验室。即便两家用同一款试剂、同一个牌子的机器，结果也能差出去一截。
我做过一次跨中心对比，三家机构测同一个标准样本，出来的变异集只有六成是重叠的。你说哪个是对的呢？其实可能都对，但来源不同。今天我就把这四个最大的差异源掰开讲讲。
4.1 样本处理：根本差异的源头
为什么说样本处理是源头？因为后面的所有步骤，都是建立在这个起点上的。起点偏了，后面拉不回来。
4.1.1 DNA 提取质量
每个实验室有自己习惯的提取方法。酚氯仿、磁珠法、柱提法……提取效率不同，片段分布也不一样。
直接的影响：
- 提取效率不同 → 某些区域覆盖不均
- 抑制剂残留 → 测序质量下降
- 片段化程度 → 比对准确率差异
我记得有一次，两个中心用同款文库试剂盒，一个用磁珠法一个用柱提法。结果是：磁珠法那个 lab 对 GC 含量高的区域覆盖率比另一种高了 8%。这差距，够让很多低频变异直接漏检。
4.1.2 文库构建的“蝴蝶效应”
文库构建是个精细活。PCR 循环数、连接效率、片段筛选窗口……这些参数哪怕微调，结果都会变。
我建议特别关注：
- PCR 重复率： 循环数高 → 重复率高 → 假阳性变异多
- 插入片段大小： 会影响比对准确性和覆盖均匀度
- 文库复杂度： 复杂的文库才能保留原始变异信息
4.2 测序平台：硬件的天然差异
你想想看，Illumina 和 MGI 的测序原理不同，BGI 的 DNBSEQ 和 PacBio 的 SMRT 更不一样。即便同是 Illumina，NovaSeq 和 NextSeq 也有系统偏差。
4.2.1 平台间的系统性偏差
| 偏差维度 | Illumina（桥式PCR） | MGI（DNB） | PacBio（SMRT） |
|---|---|---|---|
| GC偏差 | 中高GC区域易偏低 | 相对均匀 | 均匀性好 |
| 错误类型倾向 | 置换错误为主 | 小片段插入/缺失偏高 | 随机错误，单碱基 |
| 覆盖度偏好 | 与GC含量负相关 | 与GC弱相关 | 与GC不相关 |
| 读长 | 2×150 bp 主流 | 2×150 bp 主流 | 10-25 kb |
这张表我用过很多次。说实话，每次看到有人直接用不同平台的数据做合并检出，我都会提醒一句：先校准偏差。
4.2.2 同平台不同型号的差异
嗯，这里要注意：即使都是 Illumina，NovaSeq 的 Opti 模式和NextSeq 的高输出模式产生的覆盖度谱都不完全一致。我曾经见过一个案例，一样的设计、一样的建库，只是因为用了不同型号的机器，某些低频变异检出率差了近 15%。
4.3 分析流程：软件版本的“隐藏陷阱”
这部分是我踩坑最多的地方。很多人以为流程一样就够了。实际上，版本号、参数、依赖库都能让结果变个样。
4.3.1 比对工具的差异
用 BWA 还是 Bowtie2 还是 minimap2？它们处理 gap、soft-clip 的方式完全不同。
# BWA-MEM 的命令行参数
bwa mem -t 8 -K 100000000 hg38.fa read1.fq read2.fq > aligned.sam
# BWA-MEM2 的命令行（算法改进，结果有微调）
bwa-mem2 mem -t 8 hg38.fa read1.fq read2.fq > aligned.sam版本差异也不能小看。BWA 从 0.7.12 升到 0.7.17，比对质量阈值变了，某些高错配区域的结果就不同了。
4.3.2 变异检出器的“个性”
GATK HaplotypeCaller 和 DeepVariant 的检出逻辑差别很大。前者靠贝叶斯，后者靠深度模型。同一段数据，它们可能给出不同的基因型。
我个人习惯： 做跨中心比较时，先定死一个分析流程版本。最好打包成 Docker 或 Singularity 镜像，连依赖库都锁死，否则问题很难排查。
# 锁定流程版本的示例：Dockerfile 中写死版本
FROM broadinstitute/gatk:4.2.6.1
RUN conda install -c bioconda bwa=0.7.17
RUN conda install -c bioconda samtools=1.15.1
# 镜像里所有的工具版本都固定了4.4 参考基因组：最容易被忽略的差异
老实说，这个原因排最后不是因为它不重要。恰恰相反，它是最容易被忽略的。
你用 hg38，他用 GRCh37。即便都是 hg38，有补丁（如 hs38DH 包含 ALT 序列）和无补丁的版本，比对结果也不一样。
4.4.1 版本间的坐标差异
| 特征 | GRCh37 (hg19) | GRCh38 (hg38) | 差异说明 |
|---|---|---|---|
| 总长度 | ~3.1 Gb | ~3.2 Gb | 38 版多了 100 Mb 的 ALT 序列 |
| 特别区域 | 较少 | 包含 PAR、HSAT 等 | 对比对策略要求更高 |
| BWA 映射性 | 基线水平 | 某些区域映射变化 | 导致 0.1%~0.5% 的变异位置偏移 |
我见过最极端的案例：一个实验室用 hg19 另一个用 hg38，同一段 HBB 基因上的变异，坐标差了十几个碱基。拼到一起时，以为有两个不同的突变，其实完全一样。
4.4.2 实践建议：统一参考基因组
- 跨实验室比较前，必须统一参考基因组版本
- 最好使用带完整补丁的版本（如 hs38DH）
- 记录每个样本使用的参考基因组版本和来源链接
- 用 liftover 工具转换坐标时要小心，缺失区域会丢掉变异
4.5 本章小结：差异来源的关联图谱
四个来源不是独立的。样本处理影响文库质量，文库质量影响测序平台的表现，测序数据进入分析流程，流程结果受参考基因组的选择影响。一条链上任何一个环节有差别，结果就会偏离。
四个来源之间相互影响，但处理起来可以分层：先锁死样本处理和参考基因组，再统一测序和分析流程。按这个顺序排查，能快速找到差异点。