📚 课程目录第2章测序技术基础

测序技术基础：二代测序、三代测序原理及特点

做宏基因组分析，到头来其实都是在跟测序数据打交道。不管你是想研究肠道菌群，还是环境样本里的微生物，第一步就是把样本里的核酸序列读出来。

我个人习惯把测序技术的发展分成三个阶段。第一代测序（Sanger测序）精度高但通量低，现在主要用来做验证。真正把宏基因组这门学科带起来的，是二代测序。而三代测序又在慢慢改变一些分析策略。

今天我们就聊聊二代和三代测序。这俩货的原理差别非常大。你理解了它们，后面做数据预处理的时候，才知道为什么有些操作是必须的。

二代测序：边合成边测序的代表

二代测序的核心思想，说白了就是“边合成边测序”。主流平台是Illumina系列。它的原理其实没那么玄乎。

基本流程如下：

文库构建：把DNA打断成小片段（200-500 bp），接上接头。
桥式PCR扩增：在flow cell上形成一个个簇。每个簇里有几百万个一模一样的DNA模板。
边合成边测序：加入带荧光标记的dNTP，每合成一个碱基就拍一张照。
信号读取：通过荧光颜色判断碱基类型。

我记得有一次做一组水样宏基因组，遇到一个坑。当时建库时DNA降解比较严重，qPCR定量一直不过关。后来发现是打断时长没控制好。嗯，这里要注意：打断的片段长度一致性直接影响测序质量。

核心要点：二代测序的核心是“簇扩增”和“荧光成像”。每个碱基都由多份拷贝同时读取，所以质量值高。但读长短（通常150-300 bp），这是宏基因组拼接时最大的痛点。

三代测序：单分子实时测序

三代测序的代表是PacBio和Nanopore。这俩技术的原理完全不同，但有一个共同点：不需要PCR扩增，直接读单个DNA分子。

PacBio SMRT技术：

在零模波导孔（ZMW）中固定DNA聚合酶。
加入带荧光标记的dNTP。
聚合酶每结合一个碱基，荧光信号就被记录下来。
测序过程实时发生，可以直接捕获动力学信息。

Nanopore技术：

在生物纳米孔上施加电压。
DNA单链穿过纳米孔时，引起电流变化。
不同碱基组合产生特定的电流扰动波形。
通过机器学习算法解码碱基序列。

我个人觉得，三代测序最大的价值在于读长。动辄10-20 kb的读长，对于宏基因组里那些重复区域的拼接简直是救星。但我曾经遇到过一个问题：三代测序的原始错误率很高，PacBio大概在15%左右，Nanopore更高。这就对后续的纠错算法提出了要求。

避坑指南：我曾经接手过一个项目，直接拿三代测序的raw reads去做物种注释，结果发现很多序列比对不上参考数据库。后来加了一步“自纠错+二代数据校正”，准确率才提上来。记住：三代测序的高读长和低准确率是一对双刃剑。

关键技术指标对比

实际操作中，怎么选平台？我一般先看这几个指标：

指标	二代测序（Illumina）	三代测序（PacBio）	三代测序（Nanopore）
读长	150-300 bp	10-30 kb	10-100 kb+
通量	高（数百G/run）	中等（10-50 G/run）	中等（10-50 G/run）
单碱基准确率	＞99.9%	~87%（原始）	~90-95%（原始）
主要错误类型	替换错误	插入/缺失（indel）	插入/缺失（indel）
运行时间	1-3天	4-10小时	几分钟到72小时
起始DNA量	1-500 ng	0.5-5 μg	200 ng-1 μg
典型应用场景	物种注释、功能基因分析、SNP检测	基因组组装、结构变异、甲基化检测	快速诊断、现场检测、结构变异

你看这个表格就知道，没有哪个平台是万能的。二代测序在碱基准确率上有绝对优势，但读长短。三代测序读长优势明显，但原始错误率惊人。你想想看，宏基因组拼接的时候，如果只用二代数据，重复区和高度相似序列基本拼不出来。而只用三代数据，又可能因为错误率太高导致错误的嵌合体。

实用技巧：我现在做宏基因组项目，90%的情况会选择“二代+三代混合策略”。用三代数据搭骨架，用二代数据抛光碱基。比如用Hifiasm或者Canu做三代组装，然后用Pilon或者medaka用二代数据校正。这样既利用了三代的长读长优势，又保证了终端的碱基准确率。

从原理理解数据特征

很多人拿到测序数据就急着跑流程。我的建议是，先停下来想一想：你的数据是什么样的？

二代数据的特征：

质量值分布：前10个碱基质量偏低（测序仪启动不稳定），中间稳定，两端逐渐下降。
GC bias：高GC或低GC区域覆盖度不均匀。我记得有一次做极端环境样本，GC含量只有30%，测出来的覆盖度比正常样本低了近50%。
重复序列：短读长无法跨越重复区域，导致拼接时产生大量断裂。

三代数据的特征：

错误分布：indel错误为主，且呈随机分布。不像二代那样集中在末端。
读长分布：长尾分布，很多reads可以轻松超过20 kb。
基序偏好：某些特定序列组合（比如同聚物）在Nanopore数据中错误率偏高。

了解这些特征，你在做质控（QC）的时候就知道该关注什么。比如对二代数据，要特别留意adapter残留和低质量碱基的裁剪。对三代数据，重点应该是去除短片段（通常小于2 kb的reads质量较差）和进行自纠错。

常见的测序数据文件格式

说了这么多原理和特征，最后聊聊数据长什么样。你总会碰到格式转换的问题。

FASTQ格式：测序原始数据标准格式，每4行代表一条read。

@EAS139:136:FC706VJ:2:2104:15343:197393 1:Y:18:ATCACG
CTCTACTATATTATCAACACAAATTACTAATACCCTCCTTAACATTATTTAC
+
BBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBB

第一行是read ID和描述信息，第二行是碱基序列，第三行是分隔符（+），第四行是质量分数（ASCII编码）。

FASTA格式：只包含序列信息，没有质量值。

>seq1
ATCGATCGATCGATCG
>seq2
GCTAGCTAGCTAGCTA

BAM/SAM格式：比对后的存储格式。BAM是压缩后的二进制版本。

@SQ	SN:ref	LN:10000
read1	0	ref	100	30	150M	*	0	0	ATCG...	IIII...

在实际项目中，你会频繁用到这些格式的转换。我记得有一次处理Nanopore数据，原始的fast5文件（包含电流信号）需要先转换成FASTQ，才能进入下游分析。这步转换对计算资源要求还挺高的。

一句话总结：二代测序就像拼图，碎片多但图像清晰；三代测序像搭积木，块大但表面粗糙。而我习惯的做法，是把两种方法结合起来使用。