第3章：变异解读结果的数据结构——你得先看懂“图纸”
做批次间校验，说白了就是拿两份数据做对比。但有个前提：你得知道对比的是什么玩意儿。
我刚开始接手这个任务时，以为校验就是简单的“A表等于B表”。结果发现，变异解读结果的数据结构远比想象中复杂。你想想看，一个变异位点，从原始测序信号到最终ACMG分类，中间经过了数十个环节，每个环节都可能产生新字段。
这一章，我把变异解读结果的数据结构拆开揉碎了讲。你看懂了这张“图纸”，后面的校验操作才不会跑偏。
3.1 核心数据对象：变异位点是唯一的“主键”
不管数据存在Excel里、数据库里还是JSON文件里，最核心的那个实体永远是变异位点。就像人必须有身份证号一样，每个变异位点需要一组唯一标识符才能精确锁定。
| 标识字段 | 说明 | 示例值 |
|---|---|---|
| CHROM | 染色体号 | chr17 |
| POS | 起始位置（GRCh37/38） | 7675994 |
| REF | 参考等位基因 | G |
| ALT | 变异等位基因 | A |
| HGVS.c | cDNA水平命名 | NM_007294.4:c.68C>T |
| HGVS.p | 蛋白质水平命名 | NP_009225.1:p.Pro23Leu |
3.2 解读结果的分层结构：从原始信号到临床意义
变异解读结果不是平铺直叙的一张大宽表。我见过很多新手面对几百个字段的Excel表时直接懵圈。其实，它天然分为三个层次：
- 变异基本信息层：记录位点的坐标、基因、转录本、人群频率等不可变属性。
- 证据层：PVS1、PS1、PM2、PP3……这些ACMG规则对应的证据是否被触发，以及证据的置信水平。
- 综合判定层：最终的ACMG分类（致病/可能致病/意义不明/可能良性/良性）、评级描述、备注信息。
为什么一定要理解这个分层？
因为批次间的差异来源往往有规律：
- 基本信息层差异：可能是基因组版本不一致（GRCh37 vs GRCh38），或者转录本选择不同。
- 证据层差异：常见于数据库版本更新（比如gnomAD v2.1 vs v4.0频率变了），或者管线升级导致证据判定的逻辑改变。
- 综合判定层差异：最敏感，可能是人工审核时专家判断不同，也可能是证据组合规则有变动。
我曾经遇到过这样一个案例：两个批次里同一个变异的ACMG分类从“VUS”变成了“Likely Pathogenic”。追溯下去，发现是证据PM2_Supporting被升级为PM2_Moderate，根本原因是一个新发表的人群数据库把该变异从“未收录”改成了“低频”。这就是典型证据层变化导致的分类变化。
3.3 数据结构示意图：一张图看懂三者关系
下面这张图，我建议你存一下。每次做校验前扫一眼，能帮你快速定位问题出在哪一层。
重要提醒：做校验时不要直接跳到最后一行看分类是否一致。你应该逐层核对——如果基本信息层对不上（比如转录本不同），那后面的证据层和判定层根本没有可比性。先修复基本信息层的差异，再往下走。
3.4 数据存储格式：你总会遇到至少一种
实际工作中，变异解读结果的数据格式五花八门。我总结了一下，最常见的是这三种：
- VCF + INFO/ANN 注释列：最原始，ACMG证据以“PVS1=1;PM2=0;”这种形式塞在INFO里。
- Excel/CSV 宽表：每个变异一行，几百列字段摊开。好处是直观，坏处是列数一多容易看花眼。
- JSON/API 响应：从解读平台导出的结构化数据，层级清晰，适合程序化校验。
下面是一个简化的JSON结构示例，你感受一下：
{
"variant": {
"chr": "17",
"pos": 7675994,
"ref": "G",
"alt": "A",
"hgvs_c": "NM_007294.4:c.68C>T",
"gene": "BRCA1"
},
"evidence": {
"PVS1": {"status": "not_triggered", "level": "NA"},
"PS1": {"status": "triggered", "level": "strong"},
"PM2": {"status": "triggered", "level": "supporting"},
"PP3": {"status": "triggered", "level": "supporting"}
},
"classification": {
"acmg_5tier": "Pathogenic",
"rating": "Class 5",
"review_status": "approved",
"reviewer": "Dr.Li",
"date": "2024-06-15"
}
}3.5 元数据：批次间校验离不开的“附加信息”
除了变异本身的解读数据，每一批解读结果还需要附带元数据。这些数据不直接参与ACMG判分，但决定了你能否正确理解差异产生的原因。
常见的元数据字段包括：
- 解读管线版本：v1.0还是v2.3？管线升级可能带来算法变化。
- 参考基因组版本：GRCh37 vs GRCh38，直接影响坐标。
- 人群数据库版本：gnomAD v2.1.1 vs v4.0，频率差异巨大。
- 解读日期：判断数据时效性。
- 解读软件/平台：不同平台对同一规则的实现可能不同。
我建议你在设计校验流程时，先把元数据单独拿出来做一个“批次档案”，跟解读数据放在一起。这样一旦发现异常，能快速定位是管线问题还是数据版本问题。
3.6 小结：数据结构是校验的“地基”
理解变异解读结果的数据结构，就像是盖房子之前的勘查地形。你不搞清楚哪里是承重墙、哪里是管线井，后面的校验工作就只能是盲人摸象。
记住三个关键词：变异主键、三层结构、元数据。把这三点刻在脑子里，接下来的章节我们才能真正进入“校验”的实操环节——如何把两个批次的解读数据拉到一张表里做逐字段比对。