当参考只有一种写法，差异就容易被误读
结构变异(structural variant, SV)通常涉及约50个碱基对及以上的DNA改变，包括插入、缺失、倒位、重复和易位。它们可能影响基因结构或调控，因此是理解遗传疾病、肿瘤和人群多样性的重要对象。
检测这些变异，首先要把测序读段(reads)与参考序列进行比对(alignment)。问题在于，人类基因组并不只有一种结构。某个人携带的序列，在单一线性参考基因组(linear reference genome)中可能缺失，或者以不同的形式存在。
在重复序列和高度多态区域，这种差异尤其容易干扰读段定位，产生参考偏倚(reference bias)，进而影响变异断点和类型的判断。
泛基因组把多个个体的序列整合进同一个参考框架。在泛基因组图(pangenome graph)中，共享序列与不同的变异路径可以同时存在，让读段有机会匹配更接近自身的遗传背景。
|
这里的“参考”并不等于“健康标准”。它首先提供人群多样性的背景；某个变异是否致病，仍需要另行判断。 |
两种工作模式，分别解决两类难题
SVPG设计了两种模式。
泛基因组引导模式(pangenome-guided mode)从传统线性比对结果出发，提取可能包含结构变异的读段，再将它们比对到泛基因组图。利用图中的路径信息，程序修正断点、整理变异信号，减少同一事件被拆分或错误表达的问题。
这种方式适合全基因组和人群层面的生殖系变异(germline variant)分析，也能衔接已有的线性比对流程。
泛基因组直接检测模式(pangenome-based mode)则直接分析读段在图上的比对，寻找现有图中尚未收录的结构差异，更侧重个体特异变异、罕见变异和肿瘤相关体细胞变异(somatic variant)。
两者互补：一种利用已有多样性校正检测，另一种寻找已有参考尚未表达的差异。
这里需要分清两个“新”：相对于参考图新发现的变异，不等于父母均未携带、在子代中新发生的新生变异(de novo variant)。后者需要家系证据，不能仅凭“图中没有”作出判断。
高分之外，更值得看的是“难题区”
研究人员首先使用“瓶中基因组”(Genome in a Bottle, GIAB)联盟的HG002基准样本进行评估，并与Sniffles2、cuteSV、Sawfish等工具比较。
在Tier1高置信区域，SVPG在牛津纳米孔(Oxford Nanopore Technologies, ONT)和高保真长读长(HiFi)数据上的F1分数分别为0.958和0.966。F1分数(F1 score)综合精确率(precision)与召回率(recall)，兼顾“报出的结果有多可靠”和“已知变异找回了多少”，不能直接解释为临床诊断准确率。
把数据下采样至ONT 10×或HiFi 5×覆盖度后，F1仍高于0.90。但这一结果对应特定基准和区域，并不意味着低深度足以完成所有复杂变异的临床检测。
更严格的考验来自Q100基准。它基于端粒到端粒(telomere-to-telomere, T2T)组装，纳入了更多难分析区域。此时SVPG在HiFi和ONT数据上的F1分别为0.886和0.828；HiFi表现与Sawfish相当。
分数下降并不与前面的结果矛盾：评估范围变难了。若只看较容易区域的高分，就可能高估工具在整个基因组中的表现。
在Q100定义的困难区域，跨不同覆盖度的平均F1进一步降至HiFi的0.810和ONT的0.702，SVPG仍优于其余受评工具。它改善了困难区域的检测，但这些区域远未成为已经解决的问题。
研究还从家系遗传关系寻找旁证。在两组三联体(trio)数据中，SVPG的孟德尔不一致率(Mendelian inconsistency rate)在ONT数据中为0.5%—1.2%，在HiFi数据中为0.7%—1.1%，均为参与比较工具中的最低水平。
这一指标关注子代与父母的检测结果是否符合遗传规律。不一致越少，通常意味着需要人工排查的可疑事件更少。但它也不是正确率的替代品：新生变异本身就可能产生不一致，某些共同漏检则未必破坏一致性。因此，家系证据与基准评估相互补充，才比单看一个高分更有说服力。
越了解常见差异，越有机会找出罕见事件
泛基因组提供了一个值得探索的思路：当常见结构差异已被参考图吸收，那些无法由已有路径解释的信号，就更值得进一步检查。
研究人员整理了66,197个罕见结构变异，生成20×覆盖度的模拟数据。SVPG在ONT和HiFi数据上的F1分别达到0.898和0.888，均优于参与这一比较的miniSV。
在真实HG002样本中，研究人员也评估了未被参考图覆盖的罕见变异，并借助包含65名个体的数据集进一步核查其频率特征。
这些结果支持利用人群背景筛选罕见候选变异，但其中有一个前提：参考图必须足够好地代表相关人群。
“参考图中未收录”是识别罕见变异的线索，不是罕见性或致病性的最终证明。如果某类人群在参考中代表不足，该人群中较常见的变异，也可能看起来像“新发现”。
因此，这种方法有望减少候选变异筛选的负担；要把候选事件解释为疾病原因，仍需要频率、表型、家系及功能等证据。
肿瘤检测：减少误报，也要留意漏掉什么
在肿瘤分析中，研究人员将肿瘤与配对正常样本放到泛基因组背景下比较，希望减少参考偏倚造成的假阳性。
在HG008和COLO829两组肿瘤—正常配对数据中，采用Truvari评估时，SVPG的F1分别为0.861和0.743。在HCC1395的179个经生物学验证的结构变异中，它检出了155个，对应约86.6%的召回率。
这些数据展示了方法潜力，但论文也给出了值得警惕的例子：HG008中，SVPG漏检的5个插入或缺失事件，有4个已在泛基因组图中存在相应表示。
这暴露出一个难题：体细胞事件可能与常见生殖系变异落在相同或相近的区域。利用人群背景减少误报时，也可能难以保留这些重叠事件。
一个变异在人群参考中出现过，并不能单独否定它在某份肿瘤样本中的体细胞来源。仍需结合配对正常样本、读段支持及独立验证判断。检测工具的比较结果，也尚不能直接推导为患者诊断率或治疗获益的提高。
半天扩充参考图，省下了哪一步？
泛基因组还有一个现实问题：新样本不断增加，参考图如何持续更新？
传统路径通常先进行从头组装(de novo assembly)，再把组装结果加入已有图。SVPG则先找出图中缺少的结构变异，经合并、去冗余后构建用于补充图的序列，从而绕过完整组装流程。
在20个样本的测试中，SVPG约半天完成扩充；作为对照，传统路径仅初始hifiasm组装步骤就可耗时约3天。论文报告，在所测试的图扩充比较中，加速幅度接近10倍；这一幅度依赖具体流程与计算条件。
速度提升是否牺牲了内容？在基于GRCh38的比较中，SVPG扩充图包含92,597个表示变异的“气泡”(bubble)区域，其中约98%与组装扩充图的气泡区域重叠。这说明两条路线的结构表示大体一致，但区域重叠不等于序列和单倍型完全相同。
研究人员还检查了一个样本中881处初始组装失败的区域，SVPG从中发现25个新的结构变异，提示它可以补充部分组装困难区域的信息。不过，这并不证明它能取代经过充分优化的高质量组装。
参考图更大了，为什么检测没有明显跃升？
扩充后，HG002的HiFi数据增加了2,551条比对记录，以及约6,800万个已比对碱基。但这些是累计比对数据，不能理解为新增了同等长度的独特基因组区域。
更值得思考的是：比对有所改善，常见生殖系结构变异的检测表现却总体保持稳定。临床相关困难基因区域出现小幅改善，但没有全面跃升。
一种合理解释是，现有泛基因组已包含大量常见结构变异，继续补充参考的信息增益，未必能在当前基准中充分体现。参考规模、图的表达质量、比对算法和评估范围，需要一起考虑。
SVPG仍依赖参考图质量与比对准确性；复杂重复区域，以及多工具串联带来的误差累积，都是尚待解决的局限。
它的验证对象主要是长读长测序(long-read sequencing)数据，结果不能直接外推到短读长全基因组测序或全外显子组测序。对于准备引入这一方法的研究团队，优先用自身样本、关注的变异类型和目标区域进行验证，比直接沿用论文中的综合分数更有意义。
这项研究推动我们重新审视一个基本问题：当某段DNA难以解释时，除了检查测序数据，也应检查用于解释它的参考是否充分。
|
更丰富的参考，有机会让差异被更准确地识别；而从“发现差异”走到“理解差异”，仍需要独立而扎实的证据。 |
参考文献
