结构变异检测

快速概览

结构变异（Structural Variation, SV）通常指基因组中大于 50 bp 的变异。长读长测序通过跨越变异断点，为解析缺失、重复、倒位和易位等复杂重排提供了前所未有的分辨率。

掌握 SV 的主要类型：DEL, INS, DUP, INV, TRA
理解长读长检测 SV 的核心证据：Split-read (分割比对) 与覆盖度波动
了解 SV 与基因组重排（Rearrangements）在进化尺度上的统一性
掌握从比对信号到变异判定的完整算法流程

所属板块 分析方向与案例

把基础对象与算法方法重新放回真实分析任务与工作流。

阅读目标 帮助建立阅读上下文

先判断这页与你当前问题的关系，再决定是否深入展开。

建议前置 先建立相关基础对象与方法直觉

建议先建立相关基础对象与方法直觉，再进入本页。

1. 要解决什么生物信息学问题？

结构变异检测要解决的核心问题是：如何从测序数据中准确识别基因组中大于 50 bp 的序列改变？

短读长的局限：如果一个 $500 \text{ bp}$ 的插入发生在一片重复序列中， $150 \text{ bp}$ 的短读长完全无法判断插入序列的来源，甚至无法探测到断点的存在。

长读长的优势：

直接观测：单条 Read 往往能同时包含变异及其两侧的侧翼序列。
跨越重复：能穿透基因组中的”黑洞”（如转座子、着丝粒），识别隐藏其中的结构变化。

SV 的生物学重要性

结构变异虽然在数量上少于单核苷酸变异（SNV），但其影响的碱基数远大于 SNV。研究表明：

普通人的基因组中约含有 $4\text{--}5 \text{ Mb}$ 的 SV，影响的碱基数是 SNV 和 Indel 的 3—4 倍。
SV 是许多遗传疾病（如杜氏肌营养不良、血友病 A）的直接致病变异。
SV 在进化过程中扮演着关键角色——人类与黑猩猩基因组之间的差异中，有超过一半是由 SV 贡献的。

2. 输入与输出

输入

比对后的 BAM/CRAM 文件（长读长 Reads 比对到参考基因组）。
参考基因组序列（FASTA 格式）。

输出

VCF (Variant Call Format) 文件，包含检测到的所有 SV。
每条 SV 记录包含：染色体位置、变异类型、断点坐标、基因型、质量分数和支持 Read 数。

3. 核心思想与数学模型

长读长 SV 检测的数学核心是区间分解问题（Interval Decomposition）：给定一组 Read 比对记录，如何将基因组坐标轴分解为一组连续的”一致区间”和”变异区间”。

形式化地，给定参考基因组 $R$ 和一组比对记录 $\mathcal{A} = \{a_1, a_2, \ldots, a_m\}$ ，我们需要找到一个分区： $R = I_1 \cdot V_1 \cdot I_2 \cdot V_2 \cdots I_k \cdot V_k \cdot I_{k+1}$

其中每个 $I_j$ 是与所有 Reads 一致的区间，每个 $V_j$ 是包含变异的区间。目标是最大化一致区间的总长度，同时保持变异区间的数量尽可能少。

4. 核心算法信号

长读长结构变异检测证据：split-read 与覆盖度信号示意 — 长读长检测 SV 的核心信号：Split-read、覆盖度波动与不正常比对方向

长读长 SV Caller（如 Sniffles、cuteSV）通过分析 BAM 文件中的非正常比对信号来工作：

Split-read (分割比对): 单条 Read 的不同部分被比对到了基因组的不连续位置。这是精确定位断点（Breakpoint）的最强证据。Split-read 可以精确到碱基级别的断点定位。
Large Indels in CIGAR: 在比对字符串中直接观察到大的 'I' (插入) 或 'D' (缺失) 操作符。CIGAR 字符串是 SAM/BAM 格式中描述 Read 与参考序列比对关系的标准方式。
Discordant Orientations: Read 内部序列的方向与参考基因组相反，通常暗示了倒位（Inversion）。具体表现为 CIGAR 字符串中 'S' (soft-clip) 后序列被反向互补比对。

其他辅助信号

覆盖度波动（Read Depth）：如果某区域的 Read 覆盖度显著高于或低于基因组平均水平，可能暗示了拷贝数变异（Copy Number Variation, CNV）。缺失区域覆盖度约为正常值的一半（杂合缺失）或为零（纯合缺失），重复区域覆盖度则高于正常值。

5. SV 的主要类型

类型	缩写	定义	比对信号特征
缺失（Deletion）	DEL	参考序列中的一段丢失	CIGAR 中出现大 D；Split-read 断点两侧距离远
插入（Insertion）	INS	参考序列中多出一段新序列	CIGAR 中出现大 I；Split-read 中有无法比对的序列段
重复（Duplication）	DUP	一段序列被复制了一份或多份	覆盖度升高；Split-read 比对到多个位置
倒位（Inversion）	INV	一段序列的方向被翻转	反向比对；Discordant orientations
易位（Translocation）	TRA	序列从一个染色体移动到另一个染色体	Split-read 比对到不同染色体

复杂 SV

除了上述基本类型外，还存在更复杂的 SV 形式：

复杂重排（Complex Rearrangement）：多个断点同时发生，形成非简单的插入-缺失模式。例如，染色体碎裂（Chromothripsis）事件会导致一个染色体区域被”打碎”后以随机顺序重新拼接。
嵌合变异（Nested SV）：一个 SV 内部嵌套着另一个 SV。例如，一个大型重复区域内包含多个小缺失。

6. 算法流程：从比对信号到变异判定

典型的长读长 SV 检测流程包含以下步骤：

Read 比对：将原始 Reads 比对到参考基因组。通常使用 Minimap2 的 --cs 和 --MD 选项，以保留详细的 CIGAR 和标记信息。
信号提取：扫描 BAM 文件，提取 CIGAR 字符串中的大 Indel 操作符、Soft-clipped 序列的位置和长度，以及覆盖度在滑动窗口中的分布。
候选 SV 聚类：将来自不同 Reads 的相似信号聚类到同一个候选 SV。例如，多条 Read 在相同位置报告了大 D 操作符，这些信号被聚类为一个候选缺失事件。
基因型判定（Genotyping）：对于每个候选 SV，判定样本在该位点的基因型（0/0 纯合参考、0/1 杂合、1/1 纯合变异）。基因型判定通常基于覆盖度比例和支持 Read 的数量。
过滤与质量评分：对候选 SV 进行质量评分和过滤，移除低质量的假阳性调用。

7. Worked Example：一个简单缺失的检测

假设参考基因组在 chr1 的 1000—1500 位置有一段序列 “ABCDEFGH”（500 bp），而样本中这段序列缺失。

参考: ...XXXABCEFGHYYY...
                ^1000    ^1500

一条长 Read 比对结果：

Read 的前半部分比对到 chr1:950—999（即 “XXX” 部分）
Read 的后半部分比对到 chr1:1500—1549（即 “YYY” 部分）
中间 500 bp 无法比对

SV Caller 的处理：

检测到该 Read 存在 Split-read 信号。
报告候选 DEL：chr1:1000—1500，长度 500 bp。
如果有其他 Reads 也支持该位置，则确认该变异并评估基因型。

8. SV 与重排：进化的视角

正如在基因组重排中所述，大规模的结构变异本质上是基因组的排列变换。

临床意义：在癌症中，易位（Translocation）产生的融合基因（如 BCR-ABL1）是导致细胞失控生长的关键。
演化直觉：SV 是物种分化的重要驱动力，通过计算不同物种间的 SV 距离，可以推断其进化历史。

SV 与基因组重排的数学联系

从计算的角度看，基因组重排问题（如翻转距离、Breakpoint 距离）和 SV 检测问题有着深刻的联系。基因组重排研究的是”如何通过最少的重排操作将一个基因组转化为另一个”，而 SV 检测则是”如何从测序数据中推断出发生了哪些重排操作”。两者共享同一套数学框架——排列群上的距离度量。

9. 挑战：重复序列与噪音

尽管长读长很强大，但在低复杂度区域（如简单的微卫星重复）检测 SV 仍有困难：

算法对策：需要结合单倍型（Haplotype）信息，利用两个亲本序列的差异来辅助判断变异的真伪。
过滤：利用群体频率数据库（如 gnomAD SV）排除常见的良性多态性。

串联重复的检测难题

串联重复（Tandem Repeat）区域是 SV 检测的”重灾区”。当重复单元的拷贝数发生增减时，由于断点两侧的序列完全相同，算法难以精确定位变异的边界。针对这一问题，专门的串联重复检测工具（如 TRiCICLE、ExpansionHunter Denovo）采用了与通用 SV Caller 不同的策略：它们不依赖于精确的断点定位，而是通过分析 Read 中重复单元的串联模式来推断拷贝数变化。

测序假象与真实变异的区分

长读长数据中存在一些系统性的假信号，可能被误判为 SV：

嵌合 Read (Chimera)：两条不相关的 DNA 分子在文库制备过程中被人为连接，产生假性的易位信号。
比对假象：在高相似度的旁系同源区域（Paralogous Region），Read 可能被错误比对，产生假性 SV。

区分真实变异和假信号通常需要结合多个维度的证据：Read 两端的唯一性、覆盖度的一致性、以及（如果有的话）短读长数据或光学图谱（Optical Mapping）的交叉验证。

10. 复杂度与适用前提

时间复杂度

BAM 扫描： $O(N \cdot L)$ ， $N$ 为 Read 数量， $L$ 为平均比对长度。
信号聚类：取决于具体算法，通常为 $O(M \log M)$ ， $M$ 为候选信号数量。

适用前提

足够的覆盖度：通常需要 $15\text{--}30\times$ 的覆盖度才能可靠检测杂合 SV。
参考基因组质量：参考基因组本身的缺失和错误会导致假阳性 SV 调用。
Read 长度：Read 必须长于目标 SV 才能提供 Split-read 证据。

11. 与真实工具的连接

Sniffles: 最流行的长读长 SV Caller 之一。通过扫描 BAM 中的 CIGAR 和 Split-read 信号检测 SV，支持 SV 基因型判定和群体水平的 SV 调用（Sniffles2）。
cuteSV: 利用 Read-pair、Split-read 和覆盖度三种证据进行 SV 检测。cuteSV 特别注重 SV 断点的精确性，并通过局部重新比对来优化断点坐标。
PBSV: PacBio 官方开发的 SV 检测工具，针对 PacBio HiFi 和 CLR 数据进行了优化。
SVIM: 基于图模型的 SV Caller。SVIM 将比对信号构建为图结构，通过寻找图中的异常路径来识别 SV，在处理复杂 SV 时具有优势。