1. NGS变异检测流程概述
说到NGS变异检测，说白了就是拿测序原始数据，经过一系列计算，找出样本跟参考基因组不一样的地方。单核苷酸变异（SNV）、小插入缺失（Indel）、结构变异（SV）都在这个范畴里。
我刚开始接触这个领域时，觉得不就是比对+找差异嘛，很简单。直到第一次处理全外显子数据，跑完才发现假阳性高得离谱……嗯，从那以后我才明白，流程里每一步的质量控制和参数调优，都比想象中重要得多。
1.1 到底什么是NGS变异检测流程
一套完整的变异检测流程，通常包含这几步：
- 原始数据预处理：FASTQ质量控制、去接头、低质量过滤。
- 比对：将reads比对到参考基因组，输出BAM文件。
- 比对后处理：标记重复、碱基质量分数重校准（BQSR）。
- 变异识别：用HaplotypeCaller（GATK）或类似工具找变异。
- 变异质控与过滤：根据深度、质量分数、链偏好等做硬过滤或用VQSR。
- 注释：用ANNOVAR、VEP等给变异加上基因位置、影响、人群频率等。
你想想看，任何一步出问题，后面的结果基本都没法用。我之前在项目里遇到过测序深度不均匀，结果在低深度区域疯狂报假阳性，后来加了深度过滤才解决。
1.2 应用场景
NGS变异检测的应用场景很广，我简单列几个：
- 肿瘤精准医疗：体细胞突变检测，指导靶向用药。
- 遗传病诊断：全外显子/全基因组寻找致病胚系突变。
- 药物基因组学：检测药物代谢相关基因的变异。
- 微生物基因组学：细菌/病毒变异追踪，耐药突变。
- 群体遗传学：大规模人群的变异频率分析。
不同场景对准确性、速度、成本的要求差别很大。比如肿瘤检测对假阳性容忍度低，你不敢漏掉一个真正有意义的突变；而大规模队列研究，你可能更关注通量和成本。
1.3 主流流程对比
目前业界用得最多的三套流程：GATK Best Practices、Sentieon、DRAGEN。我从几个关键维度对比一下：
| 维度 | GATK Best Practices | Sentieon | DRAGEN |
|---|---|---|---|
| 开发团队 | Broad Institute | Sentieon Inc. | Illumina |
| 许可证 | 免费开源（BSD） | 商业许可 | 商业许可（硬件绑定） |
| 速度 | 较慢（纯CPU） | 快（优化多线程/GPU） | 极快（FPGA加速） |
| 准确度 | 金标准（社区验证最多） | 与GATK高度一致，部分指标更好 | 与GATK高度一致，极低假阳性 |
| 社区生态 | 最丰富（教程、docker、WDL） | 中等（官方文档较好） | 较少（依赖Illumina平台） |
| 计算资源 | 高（内存/CPU需求大） | 中等 | 低（专用硬件） |
| 典型成本 | 免费（但需自备机器） | 按核心年收费 | 设备+许可费 |
一个小经验：如果你刚开始做流程搭建，我建议先跑GATK。原因是社区资源最多，出问题了容易搜到答案。等你把逻辑跑通、知道哪里容易踩坑，再考虑用Sentieon提速。
我在医院项目里用过GATK和Sentieon两种。GATK跑一个全外显子，36线程大概要12小时；换成Sentieon，同样的服务器只要3小时左右。结果一致性很高，但在某些高重复区域Sentieon的假阳性略高，需要额外做过滤。
1.4 避坑指南
我曾经犯过的错：直接用默认参数跑GATK HaplotypeCaller，结果在低深度区域叫出了大量低质量变异。后来才意识到，必须根据测序深度、文库类型调整 --min-base-quality-score 和 --min-pruning 参数。
另外，不同流程的输入格式也有细微差别。比如GATK需要索引后的参考基因组，DRAGEN需要自己的参考文件格式。提前看清楚文档，否则跑一半报错很浪费时间。
一句话总结：没有最好的流程，只有最适合你场景的流程。快速出结果选DRAGEN或Sentieon；需要高度可控、社区支持选GATK。
1.5 本章知识体系
下面这张图把NGS变异检测的上下文和本章核心概念串起来了：
这张图可以帮你建立全局视角。后面的章节，我们会从数据预处理一步一步讲起，最终让你能自己部署一套可自动化运行的NGS变异检测流程。