基因组分析从样本与实验设计、测序数据质控、比对参考基因组、变异检测与过滤，到功能注释与可视化几大步骤；掌握合适工具与质量阈值，能把噪声降到最低，确保结果在科研或临床场景中既可靠又可复现。

为什么要把基因组分析拆成步骤来看？

用费曼方法来说，我会先把复杂的事情拆成简单的小块。想象一下你在拼一个复杂的拼图：先把边框摆好（样本与设计），再把颜色相近的拼在一起（测序与预处理），然后确认每块都稳固（比对与过滤），最后看整幅图表达了什么（注释与解读）。每一步都很重要，错一个地方，后面都会受到影响。

总体流程概览（一句话版）

• 实验设计与样本准备（确定目标、对照、批次）
• 测序与原始数据获取（FASTQ）
• 数据预处理：质控（QC）、去接头、去低质reads
• 比对到参考基因组，生成排序后的BAM
• 后处理：去PCR重复、基线校正（例如重校准碱基质量）
• 变异检测（SNP/indel、结构变异、拷贝数等）
• 变异过滤与注释，功能优先级评估
• 可视化、解读与报告

第一部分：实验设计与质量控制（QC）

你要先想清楚研究问题：是做群体遗传学（需大样本、低覆盖可行）、还是临床诊断（需高覆盖、严格验证）、还是肿瘤体细胞突变检测（需肿瘤—对照配对、高深度）？

关键点

• 样本量与统计力量：群体研究通常需要成百到上千个样本；临床诊断可单样本深度优先。
• 覆盖度（Depth）：常规WGS建议30×左右做种系变异；临床或低频变异检测建议50–100×或更高。
• DNA质量：降解或污染会导致比对率下降与假阳性。
• 批次效应：不同文库、测序批次会引入系统性误差，设计时需随机化或在分析中校正。

第二部分：测序技术与输出格式

现在常见的测序技术大致分两类：短读长（Illumina）和长读长（PacBio, Oxford Nanopore）。短读擅长低错误率与深度覆盖，长读便于解决复杂结构变异与拼接重复区。

常见数据格式

• FASTQ：原始读段，包含序列与质量值。
• BAM/CRAM：比对后的二进制文件，包含位置信息与比对质量；CRAM更节省空间。
• VCF：变异调用结果，记录SNP/indel和注释附加信息。

第三部分：数据预处理（QC 与清洗）

这里是把“原材料”变成“可用材料”。常用步骤是先做质量检查，再去接头和低质量碱基。

常见工具与步骤

• FastQC：快速查看序列质量、GC分布、接头污染。
• Trimmomatic / fastp：去接头、裁剪低质量尾端、过滤短reads。fastp速度快并带报告。

简单建议参数（不必死抠）：去除接头，最低平均质量Phred20，保留长度≥50。不同项目可放宽或收紧。

第四部分：比对（Alignment）

把短读段放回参考基因组的“位置”。正确的比对是后续变异检测的基石。

常见比对工具

• BWA-MEM：短读比对首选（Illumina）；速度与精度平衡良好。
• Bowtie2：速度快，适合某些应用。
• Minimap2：长读比对（Nanopore、PacBio）首选。

比对后通常执行：

• 排序（samtools sort）
• 标记或移除PCR重复（Picard MarkDuplicates）
• 索引（samtools index）
• 收集比对统计（samtools flagstat / samtools stats / Picard Collect*）

常用比对质量指标

• 比对率（>90%为良好，取决于样本）
• 重复率（低于10–15%较理想）
• 平均覆盖度与覆盖均匀性（均匀性差需怀疑文库问题）

第五部分：变异检测（Variant Calling）

变异检测有好几类：种系SNP/indel、体细胞变异、结构变异（SV）、拷贝数变异（CNV）。选择工具要根据目标与测序类型。

种系小变异（SNP/indel）

• GATK HaplotypeCaller：广泛用于种系SNP/indel，建议遵循GATK Best Practices。
• FreeBayes、bcftools mpileup/call：替代选择。

GATK流程要点包括：基于BAM的BQSR（Base Quality Score Recalibration）、联合基因型调用（GVCF合并）以减少批次偏差。

体细胞变异（肿瘤）

• Mutect2（GATK）、Varscan2、Strelka2：专门处理肿瘤-对照配对，能识别低等位基因频率（VAF）突变。
• 需要严格评估污染、拷贝数与肿瘤纯度（purity），这些都会影响VAF解释。

结构变异（SV）与拷贝数（CNV）

• Manta、Delly：用于检测插入、缺失、易位等结构变异。
• CNVkit、Control-FREEC、GATK CNV：做拷贝数分析，WES/WGS有不同的策略。
• 长读技术（PacBio/ONT）更容易发现复杂SV。

第六部分：变异过滤与注释

原始VCF通常包含大量假阳性，需要依据质控指标过滤并进行生物学注释。

常见过滤标准

• 深度过滤（DP）过低或过高都要警惕
• 等位基因深度比（AD/DP）用于判断变异真实性
• 质量（QUAL），以及基于机器学习的过滤（如GATK VQSR）

注释工具

• VEP（Ensembl Variant Effect Predictor）：注释功能影响、基因位点、频率数据库等
• Annovar：常用的注释与过滤工具
• 还要结合公共数据库：gnomAD、1000 Genomes、ClinVar（用于临床相关性）等

第七部分：功能解读与优先级排序

注释后需要判断哪些变异是“值得关注”的：常见策略包括基于频率、预测工具、保守性、基因与疾病关联性。

• 频率：在人群数据库中频率太高的变异通常不是致病性突变（需结合疾病模型）
• 致病性预测：SIFT、PolyPhen、CADD等工具给出功能预测，但只是参考。
• 基因本身的证据：基因是否与表型相关，是否有动物模型或文献支持。

常用工具速览（表格）

步骤	工具	用途
QC	FastQC, MultiQC	初步质量评估与整合报告
清洗	fastp, Trimmomatic	去接头与质量裁剪
比对	BWA-MEM, Minimap2	短读/长读比对
处理	samtools, Picard	排序、去重、索引
变异检测	GATK, FreeBayes, Mutect2	SNP/indel/体细胞变异
SV/CNV	Manta, Delly, CNVkit	结构变异与拷贝数
注释	VEP, Annovar	功能注释与数据库比对

第八部分：质量控制指标与经验阈值

这里给一些常见的参考值（不是铁律，依项目调整）：

• WGS种系：平均覆盖30×，覆盖率（>=10×）>95%
• 临床诊断/肿瘤：若目标基因面板或临床WES，常见100×甚至更高
• 比对率：>90%
• 重复率：<15%较好，过高需排查文库问题
• 呼叫变异的最小等位基因频率（VAF）：常规种系≥20%，肿瘤检测可降至1–5%（需深度和技术验证）

第九部分：可复现性、流程管理与部署

把流程写成脚本/工作流，再用容器和版本控制，比如：

• 工作流系统：Snakemake、Nextflow，便于并行与重跑
• 容器化：Docker或Singularity，保证环境一致
• 记录：保留参数、软件版本、参考基因组日期等

第十部分：常见陷阱与调试思路（实践经验）

做过几次你就会发现一些“坑”，分享几个真实感受和解决思路：

• 低比对率：检查文库是否被污染（细菌、线粒体），或参考基因组版本不对。
• 高重复率：可能是PCR过量或文库量不足，考虑改文库制备或去重策略。
• 假阳性SNP集中在低复杂度区域：用黑名单或mappability信息过滤。
• 差异结果来自不同软件：多工具互证，采用共识或优先级规则。

进阶话题：长读、甲基化、单细胞与多组学

如果你的研究需要解决更复杂的问题，可以考虑：

• 长读测序：更利于拼接或发现复杂SV，但误差率高，需要纠错（例如HiFi reads）。
• 甲基化测序：可以用Bisulfite-seq或Nanopore直接检测修饰。
• 单细胞基因组/转录组：需要特殊文库与下游方法（如CellRanger，Seurat）来处理稀疏矩阵。
• 多组学整合：把基因组变异与转录组、蛋白质组等结合，能更直接推断功能。

伦理、隐私与数据共享

基因组数据非常敏感。原则上要遵循所在国家/机构的伦理审批、获得知情同意，并对公开数据做去标识化处理。共享时可以考虑受控访问数据库而不是完全公开。

一个简单的实践范例（从FASTQ到VCF的简化步骤）

下面给出一个典型的命令行流程示意（仅示范思路）：

• QC：fastp -i sample_R1.fastq.gz -I sample_R2.fastq.gz -o clean_R1.fastq.gz -O clean_R2.fastq.gz
• 比对：bwa mem ref.fa clean_R1.fastq.gz clean_R2.fastq.gz | samtools sort -o sample.sorted.bam
• 去重并索引：picard MarkDuplicates I=sample.sorted.bam O=sample.dedup.bam M=metrics.txt; samtools index sample.dedup.bam
• BQSR（示意）：gatk BaseRecalibrator -I sample.dedup.bam -R ref.fa –known-sites dbsnp.vcf -O recal.table
• 变异检测：gatk HaplotypeCaller -R ref.fa -I sample.recal.bam -O sample.g.vcf -ERC GVCF
• 联合分型与过滤：按GATK Best Practices合并gVCF并进行VQSR或硬过滤

如何学会、如何练手

最好的方式是做一个小项目：拿公开数据（例如1000 Genomes或ENCODE的示例），从头跑一遍流程并记录每一步的参数与结果对比。实验与分析结合起来，学得更快。

建议的学习路径

• 先理解概念：格式（FASTQ/BAM/VCF）、比对与变异调用原理
• 跟着教程跑一遍：使用小数据集，快速看到结果
• 读文献与官方Best Practices（如GATK文档）
• 逐步尝试更复杂的情况：肿瘤样本、WES与WGS、SV检测

最后一点真实感的提醒

做基因组分析有时候像是解谜：你以为找到答案了，结果又会出现新的问题。保留怀疑精神，重复实验、交叉验证、写好记录，会让你的结论更可信。哦，对了，偶尔备份数据，别等出事才意识到失误。