基准数据集来源：GIAB、Platinum Genomes 等数据库介绍
做变异检测的基准测试，第一步就是选对参考数据集。选错了，后面所有对比都是白费功夫。我在这行也踩过几次坑，今天就给你讲讲几家主流的数据集来源——GIAB、Platinum Genomes，还有几个你可能用到的。
GIAB — 业界老大哥
GIAB 的全称是 Genome in a Bottle，由美国国家标准与技术研究院（NIST）牵头。说白了，这是目前公认的“黄金标准”。我最早接触它是在 2015 年，当时我们团队要评估一个新开发的 SNP caller，项目负责人直接扔给我一个 GIAB 的 VCF 和 BED 文件，说：“就用这个检。”
GIAB 的厉害之处在于：他们用多个测序平台（Illumina、PacBio、Oxford Nanopore 等）和多个实验室的数据，通过严格的一致性分析，找出了高置信度区域。NA12878 这个样本，GIAB 提供了非常细致的分层——哪个位置可信、哪个区域太复杂不能用，都标得清清楚楚。
核心资源速览
- 发布机构：NIST
- 样本：NA12878、NA12877、NA24631 等
- 数据格式：VCF + 高置信度 BED 区域
- 测序平台：多平台混合
- 更新频率：约半年一次
我建议你每次下载 GIAB 数据时，先看一眼他们官网的 Release Notes。因为有些版本修复了之前错误标记的位点。我吃过一次亏——用旧版比对，结果假阳性率死活降不下来，折腾了一周才发现是数据集版本太老。
Platinum Genomes — 家系验证利器
Platinum Genomes 是 Illumina 自己搞的基准数据集。它最特别的地方是：包含了多个完整的核心家系（父亲、母亲、孩子）。NA12878 是其中一个孩子，你可以用它做孟德尔一致性检验——如果某个变异在父母中都没有，那孩子就不该出现，否则就是假阳性。
嗯，这里有个坑要注意。Platinum Genomes 的数据基本都来自 Illumina 平台，深度确实很高（平均 50× 以上），但它在某些重复区域（比如 HLA、KIR 区域）覆盖很糟糕。我去年做结构变异评估时，就用 Platinum Genomes 的 reads 重测了一遍，发现它在大片段缺失上的表现不如 GIAB 全面。
关键参数表
| 数据集 | 家系结构 | 主要平台 | 平均深度 | 适用场景 |
|---|---|---|---|---|
| GIAB | 少数家系 | 多平台混合 | ~80× | SNP/INDEL 通用基准 |
| Platinum Genomes | 17 个家系 | Illumina | ~50× | 家系一致性校验 |
| 1000 Genomes | 无家系 | 低深度 Illumina | ~7× | 群体频率 |
| HapMap | 有家系 | 多种早期平台 | ~4× | 基础验证 |
其他值得关注的来源
除了上面两个，还有一些数据库你可能也会用到：
- 1000 Genomes：群体规模大，但单个样本深度低。我一般只用它提供的等位基因频率信息，绝对不拿来做单个样本的基准验证。
- HapMap：年代久远，测序质量参差不齐。现在基本只用于历史参考。
- Encode：提供了 NA12878 的 RNA-seq、ChIP-seq 等多维数据，适合验证转录组变异。
- Sanger Institute 提供的 VCF：某些特定区域（比如 Y 染色体）有额外的高质量数据。
曾经我在一个项目里混用了 GIAB 和 1000 Genomes 的变异调用结果，以为都是“标准答案”，结果两个数据集在同一个位点上标注不一致——一个叫 SNP，一个叫 INDEL。做金标准对比时千万不能交叉混搭，一定要选一个权威来源作为基准，其他只做辅助参考。
它们之间的关系与选择策略
你刚入门可能会问：这么多数据集，我到底该用哪个？我的习惯是：
- 做 SNP/INDEL 通用评估 → 优先用 GIAB 高置信度区域。
- 需要验证孟德尔遗传规律 → 用 Platinum Genomes 的家系数据。
- 评估低复杂度区域（如重复区） → 用 GIAB 的难测序区域 BED 做负对照。
- 想看群体频率 → 查 1000 Genomes，但别用它做金标准。
下面这张图能帮你快速理清这几个来源的定位：
总而言之，选数据集就像选工具——没有万能的，只有合适的。如果你拿不准，先用 GIAB 的 high-confidence BED 区域跑一遍，然后在可疑区域用 Platinum Genomes 的家系验证做二次过滤。这个流程我在三个项目里用过，稳定可靠。