2. 测序平台需求分析与规模设计

测序平台建设最容易犯的错误，是先定仪器型号、再倒推用途。工程上更稳妥的顺序是：先把样本类型、目标应用、数据量和交付周期讲清楚，再反推需要什么读长、多大通量、几台仪器、多少自动化与存储。需求分析的本质，是把“我们要做测序”翻译成一组可计算的参数：每个样本需要多少 reads、多少碱基、多少运行批次、多少机时，以及峰值月份能否扛住。

一、从样本类型推导建库与测序约束

样本类型决定了建库方式、可接受的读长和污染控制要求，是需求分析的起点。常见几类样本的工程约束差异明显：

• gDNA（全基因组）：对读长不敏感，短读长即可，但要求覆盖均匀，通常以“目标覆盖度×基因组大小”估算数据量。
• FFPE / 降解 DNA：片段短、损伤多，需评估 DV200 等片段完整性指标，读长不宜过长，且需预留更高冗余。
• cfDNA / 液体活检：起始量低（ng 级甚至更低），需低输入建库，重复样本与对照多，通量需求集中在“多样本、小数据量”。
• RNA / 转录组：关注 reads 数而非覆盖度，需考虑 rRNA 去除或 polyA 富集，读长影响可变剪接分析能力。
• 扩增子 / 靶向 panel：数据量小但样本数极大，对 index 数量和自动化程度要求高。
• 微生物 / 宏基因组：宿主背景比例直接决定有效数据量，需按“有效数据 = 总数据 ×（1−宿主占比）”折算。

因此，需求表里必须记录：样本类型、起始量、片段分布、是否降解、宿主背景、单样本目标数据量、是否需要重复与对照。这些字段直接决定后续通量与读长选择。

二、通量预测：从单样本数据量到年度产能

通量预测的核心公式并不复杂，难在参数取值是否贴近真实。以全基因组重测序为例，单样本碱基数可按以下方式估算：

单样本碱基数 = 基因组大小 × 目标覆盖度 × 冗余系数
示例：3.0 Gb × 30× × 1.2 = 108 Gb
若单次运行有效产出为 150 Gb，则单次运行可承载约 1.4 个样本

对于 RNA-seq 或 panel，则改用 reads 数：

单样本 reads = 目标 reads 数（如 30 M reads）
单次运行样本数 = 单次运行有效 reads / 单样本 reads
示例：单次运行 1200 M reads ÷ 30 M = 40 个样本

年度产能预测要把“平均需求”和“峰值需求”分开。假设某平台年样本量为 6000 个，其中 WGS 占 20%、RNA-seq 占 50%、panel 占 30%，则需分别计算各类样本的总碱基数或总 reads，再按仪器单次运行产出折算运行次数。工程上通常保留 20%～30% 的机时余量，用于质控重跑、失败批次和临时项目。

三、读长选择：与应用场景强绑定

读长不是越长越好，而是要与应用匹配。短读长（如 50～150 bp）适合 SNP/InDel 检测、表达定量、外显子与 panel；中长读长（如 250～300 bp）适合 16S、扩增子和部分微生物分析；长读长（如 10 kb 以上）适合结构变异、全长转录本、基因组组装和甲基化检测。选择时需同时考虑：

• 目标变异类型：点突变、融合、结构变异对读长要求不同；
• 参考基因组质量：重复区、高 GC 区对短读长比对不友好；
• 数据量与成本：长读长单 cell 产出通常低于短读长，需重新核算样本数；
• 生信流程兼容性：现有分析管线是否支持长读长比对与变异调用。

四、应用场景匹配与产能规划

把样本、通量、读长三者对齐后，就可以做应用场景匹配。下表给出一个示例性的匹配框架，用于把常见应用映射到平台配置：

产能规划则要把“需求”转成“资源配置”。建议按以下顺序推进：先确定月度平均样本量与峰值样本量；再按应用拆分数据量；然后计算所需总 reads/碱基数；接着按仪器单次运行有效产出折算运行次数；最后结合仪器可用机时、建库自动化通量、生信计算节点和存储容量，判断是否需要增加仪器、延长运行时间或外送部分项目。存储容量常被低估：按原始数据加中间文件约为原始数据 3～5 倍估算，若年产出 20 Tb 原始数据，则需预留 60～100 Tb 存储。

最后要强调，需求分析不是一次性工作。平台运行后，应持续记录每批次的实际有效产出、失败率、index 冲突率和样本平均数据量，用真实数据回修通量模型。只有把“预测—运行—反馈”闭环建立起来，产能规划才不是纸面数字，而是可执行的工程决策。