Small Variants 与结构变异 (SV)

快速概览

变异检测（Variant Calling）在不同尺度上采用完全不同的算法。Small Variants 依赖局部堆叠（Pileup）的统计特征，而结构变异（SV）则需要整合全基因组范围的非正常比对信号。

掌握 Small Variants（SNP、短 Indel）的局部统计推断模型
掌握 SV 的五种核心检测信号：Read Pair, Split Read, Read Depth, Assembly, Breakends
了解基因组重排（Rearrangements）作为 SV 算法设计的数学背景
理解不同变异类型在临床解释与生物学功能上的差异

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. 变异尺度的分界线

类型	尺度	主要特征
Small Variants	1 bp - 50 bp	包含 SNP 和短插入/缺失。能被单条 Read 完整覆盖。
Structural Variants	> 50 bp	包含大片段缺失、重复、倒位和易位。通常涉及基因组结构的剧烈重排。

SV 的分类体系

结构变异的类型多样，按照其对基因组结构的影响可以分为：

缺失（Deletion, DEL）: 基因组中一段序列被删除。长度从 50 bp 到数 Mb 不等。是人类基因组中最常见的 SV 类型。
插入（Insertion, INS）: 基因组中新出现了一段序列。包括插入新的 DNA 片段或移动元件（如 Alu、LINE-1）的插入。
倒位（Inversion, INV）: 一段序列的方向被反转。通常由同一条染色体上的两次双链断裂和错误修复产生。
易位（Translocation, TRA）: 非同源染色体之间的片段交换。可分为平衡易位（无片段丢失）和非平衡易位（伴随片段丢失或重复）。
拷贝数变异（Copy Number Variation, CNV）: 基因组中某段序列的拷贝数偏离二倍体状态（如从 2 拷贝变为 1 拷贝或 3 拷贝）。是 DEL 和 DUP 在拷贝数维度上的统称。

2. Small Variants：局部堆叠模型

这类变异主要通过 Pileup (堆叠) 信息来识别。

算法核心：贝叶斯推断。计算在给定观测碱基和质量值（Phred Score）的情况下，该位点属于某种基因型的概率。
挑战：区分真实的低频变异与背景测序噪音。

贝叶斯模型的数学形式

对于某个位点，设观测到的碱基为 $\mathbf{d} = (d_1, d_2, \ldots, d_n)$ ，每个碱基的质量值为 $q_i$ 。对于候选基因型 $G$ （如 $G = \text{A/T}$ 表示杂合），贝叶斯模型计算：

$P(G \mid \mathbf{d}) = \frac{P(\mathbf{d} \mid G) \cdot P(G)}{\sum_{G'} P(\mathbf{d} \mid G') \cdot P(G')}$

其中似然函数假设各碱基独立：

$P(\mathbf{d} \mid G) = \prod_{i=1}^{n} P(d_i \mid G)$

每个碱基的似然由测序错误率 $\epsilon_i = 10^{-q_i/10}$ 决定：

$P(d_i \mid G) = \begin{cases} 1 - \epsilon_i & \text{if } d_i \text{ matches } G \\ \epsilon_i / 3 & \text{if } d_i \text{ mismatches } G \end{cases}$

先验 $P(G)$ 可以根据群体等位基因频率（如从 gnomAD 数据库获取）或假设均匀分布来设定。

碱基质量重校准（Base Quality Score Recalibration, BQSR）

原始的 Phred 质量值可能系统性偏高或偏低。GATK 的 BQSR 通过建立已知变异位点的协变量模型（依赖于碱基上下文、机器周期、reads 位置等）来校准质量值，使贝叶斯推断的输入更加可靠。

3. 结构变异（SV）：全局信号整合

由于 SV 的尺度超出了单条 Read 的长度，算法必须寻找”非正常”的比对证据：

Read Pair (RP): 成对 Read 的间距（Insert Size）异常。间距过大暗示中间有缺失（DEL），过小暗示有插入（INS）。方向异常（如 FF 或 RR 而非 FR）可能暗示倒位或易位。
Split Read (SR): 单条 Read 被切断并比对到基因组不连续的两个位置。这直接定义了变异的精确断点（Breakpoint），是 SV 分辨率的基石。
Read Depth (RD): 通过覆盖度的显著升高或降低来检测拷贝数变异（CNV）。使用滑动窗口计算局部覆盖度，并与基因组背景水平比较。
Assembly: 局部 de novo 组装。这是最精确的方法，特别适合检测含有复杂重复序列的变异。通过将 Reads 拼接成更长的 Contig，可以直接观测 SV 的断点序列。
Breakends (BND): 断点记录格式。BND 不仅记录 SV 本身，还记录断点在参考基因组中的精确坐标和方向，是 VCF 规范中用于表示复杂重排的标准化方式。

五种信号的互补性

不同的 SV 类型对不同信号的敏感度不同：

SV 类型	RP	SR	RD	Assembly
缺失（DEL）	敏感	敏感（精确断点）	敏感	最精确
插入（INS）	有限	依赖读长	不敏感	最精确
倒位（INV）	方向信号	敏感	不敏感	敏感
易位（TRA）	方向信号	敏感	不敏感	敏感
CNV	不敏感	不敏感	最敏感	不适用

现代 SV 检测工具（如 Manta、Delly、GRIDSS）通常整合多种信号以提高灵敏度和特异性。

4. Read Pair 信号的统计模型

Read Pair 信号是检测 SV 的基础。在正常情况下，Insert Size 服从一个分布（近似正态）：

$\text{IS} \sim \mathcal{N}(\mu, \sigma^2)$

其中 $\mu$ 是平均 Insert Size（如 Illumina 的 350 bp 文库中 $\mu \approx 350$ ）， $\sigma$ 是标准差（通常 $\sigma \approx 30$ — $50$ bp）。

缺失检测

如果一个 Read Pair 的 Insert Size 显著大于 $\mu$ （如 $\text{IS} > \mu + 3\sigma$ ），则暗示两个 Read 之间存在缺失。缺失长度的估计为：

$\hat{L}_{\text{DEL}} = \text{IS} - \mu$

Z-score 检验

对于每个 Read Pair，计算其 Insert Size 的 Z-score：

$Z = \frac{\text{IS} - \mu}{\sigma}$

$|Z| > 3$ 的 Read Pair 被视为异常。在候选区域中，如果异常 Read Pair 的数量超过统计阈值（如 Poisson 分布的 $P < 0.01$ ），则报告为一个候选 SV。

5. Read Depth 与 CNV 检测

CNV 染色体区间解读：正常与异常拷贝数区域对比 — CNV 检测中的 Read Depth 信号与拷贝数解读

滑动窗口法

将基因组划分为固定大小的窗口（如 1 kb），计算每个窗口内的归一化覆盖度：

$\text{RC}_j = \frac{d_j}{\bar{d}}$

其中 $d_j$ 是第 $j$ 个窗口的原始覆盖度， $\bar{d}$ 是全基因组覆盖度的中位数。在二倍体区域， $\text{RC} \approx 1$ ；在杂合缺失区域， $\text{RC} \approx 0.5$ ；在纯合缺失区域， $\text{RC} \approx 0$ 。

环形二元分割（Circular Binary Segmentation, CBS）

CBS 算法通过统计检验识别覆盖度的显著变化点，将基因组分割为覆盖度一致的片段。该算法由 Olshen 等人提出，是 DNAcopy 包的核心方法。

其核心思想是：给定一个基因组区间，检验其覆盖度是否存在一个突变点（即左右两段覆盖度均值不同）。如果检验显著，则在该点分割，并递归处理两个子区间。

6. SV 与基因组重排的联系

结构变异在数学上可以抽象为排列的变换。

倒位（Inversion） 对应于排列中的一个子串反转。
易位（Translocation） 对应于子串在不同染色体（或同一染色体不同位置）间的移动。
算法启发：我们在基因组重排中讨论的”反转距离”和”断点分析”是理解大型 SV 演化机制的理论基础。

断点图（Breakpoint Graph）

断点图是分析基因组重排的经典工具。对于两个基因组 $A$ 和 $B$ ，将 $A$ 中每个基因的两端（头和尾）作为节点， $A$ 中的相邻关系和 $B$ 中的相邻关系分别用灰色和黑色边连接。断点图中的交替环的数量直接对应于两个基因组之间的重排距离。

7. SV 的检测灵敏度与测序策略

不同测序策略对 SV 检测的能力差异巨大：

策略	典型读长	SV 检测优势	SV 检测局限
短读长（Illumina）	150 bp	高覆盖度，SNP 检测准	无法跨越大 SV，在重复区域中困难
长读长（PacBio）	10—25 kb	可跨越大 SV，精确断点	覆盖度较低，成本高
超长读长（Nanopore）	10—100 kb	可检测超大 SV 和复杂重排	单碱基错误率较高
光学图谱（Bionano）	> 100 kb	检测 Mb 级 SV，不受序列偏差影响	分辨率有限（~500 bp），无法检测 SNP
Hi-C	染色体级别	检测拓扑关联结构变化	灵敏度低，需要深度数据

关键洞察：没有任何单一测序策略能完美检测所有类型的 SV。最优的策略是结合多种技术的互补优势。例如，用 Illumina 数据检测 SNP 和小 Indel，用长读长数据检测大 SV 的精确断点，用光学图谱验证 Mb 级的结构变化。

8. Worked Example：从 Read Pair 信号推断缺失

问题

某 Illumina 测序文库的 Insert Size 分布为 $\mathcal{N}(350, 40^2)$ 。在基因组坐标 chr5:100,000—100,500 附近，观察到以下 Read Pair 信息：

30 个正常 Read Pair（Insert Size 在 300—400 之间，FR 方向）
15 个异常 Read Pair（Insert Size 在 600—800 之间，FR 方向）

这些异常 Read Pair 的平均 Insert Size 为 700 bp。请推断可能的 SV 及其参数。

求解

步骤 1：计算异常 Read Pair 的 Z-score。

$Z = \frac{700 - 350}{40} = 8.75$

$|Z| = 8.75 \gg 3$ ，这些 Read Pair 显著异常。

步骤 2：推断缺失长度。

$\hat{L}_{\text{DEL}} = 700 - 350 = 350 \text{ bp}$

推断为约 350 bp 的缺失。

步骤 3：确定缺失坐标。

异常 Read Pair 的上游 Read 比对到 chr5:99,500—99,650 附近，下游 Read 比对到 chr5:100,350—100,500 附近。

缺失的候选区间为 chr5:99,650—100,350（约 700 bp 区间，扣除正常 Insert Size 后约 350 bp 为缺失）。

步骤 4：统计显著性。

在零假设（无 SV）下， $|Z| > 3$ 的概率为 $P < 0.003$ 。15 个 Read Pair 都异常的概率极低（假设每个 Read Pair 独立， $P < 0.003^{15} \approx 0$ ），因此该 SV 信号高度显著。

步骤 5：验证建议。

使用 Split Read 信号确认精确断点位置，使用 Read Depth 检查该区域的覆盖度是否下降约 50%（杂合缺失）或 100%（纯合缺失）。

9. 临床与功能意义

剂量效应：大片段缺失或重复（CNV）常导致基因拷贝数变化，引发发育疾病或癌症。
基因融合：易位可能将两个不相关的基因拼在一起（如 BCR-ABL），成为癌症的驱动因子。

临床中常见的 SV

疾病/场景	SV 类型	代表性变异	功能后果
慢性髓性白血病（CML）	平衡易位	t(9;22) BCR-ABL1 融合	产生具有持续酪氨酸激酶活性的融合蛋白
DiGeorge 综合征	大片段缺失	22q11.2 缺失（约 3 Mb）	TBX1 等基因单倍型不足，导致心脏和免疫缺陷
Charcot-Marie-Tooth 病	基因重复	PMP22 基因重复（1.5 Mb）	PMP22 过表达导致周围神经脱髓鞘
微阵列基因组杂交（CMA）	CNV	全基因组 CNV 扫描	一线临床遗传学诊断工具

10. 常见误区

常见误区

认为 50 bp 是 Small Variants 和 SV 的严格分界线。实际上，50--1000 bp 是一个"灰色地带"，短读长数据对这一范围内的 Indel 检测能力都很有限。这一范围通常被称为"中间尺度变异"，需要专门的工具和策略。
在 SV 检测中忽略 Insert Size 分布的偏移。不同文库的 Insert Size 分布可能差异很大，使用错误的 $mu$ 和 $sigma$ 会导致大量假阳性或假阴性。
将 Read Pair 信号作为唯一的 SV 证据。Read Pair 只能提供粗略的 SV 位置和大小估计，必须结合 Split Read 信号才能精确定位断点。
忽略 SV 检测工具的假阳性问题。由于 SV 的信号比 SNP 弱得多（支持证据少、信号弥散），SV 检测的假阳性率通常高于 SNP 检测。需要通过多种工具的交集或长读长验证来降低假阳性。
混淆 CNV 和 SV 的概念。CNV 是 SV 的一个子集（特指拷贝数变化），但 CNV 检测（基于 Read Depth）和 SV 检测（基于 Read Pair/Split Read）使用的是完全不同的算法。

11. 与真实工具的连接

与真实工具或流程的连接

**GATK HaplotypeCaller**：Small Variants 检测的工业标准。通过局部 de Bruijn 图组装实现准确的 SNP 和短 Indel 基因分型。
**DeepVariant**：Google 开发的基于深度学习的变异检测工具。使用卷积神经网络从 Pileup 图像中识别变异，在多个基准测试中表现优异。
**Manta**：结合 Read Pair、Split Read 和局部组装信号的 SV 检测工具。适用于短读长数据，是临床流程中的常用工具。
**Delly**：基于 Read Pair 和 Split Read 信号的 SV 检测工具。支持所有主要 SV 类型，包括复杂的断裂重排。
**Sniffles**：专为长读长数据（PacBio/Nanopore）设计的 SV 检测工具。利用长读长的优势检测精确断点和复杂 SV。
**CNVkit / EXCAVATOR2**：基于 Read Depth 的 CNV 检测工具。适用于全外显子和全基因组测序数据。