DNA-seq 变异检测总览

快速概览

这是一页把 DNA-seq variant calling 放回完整分析链路的概览：你需要同时看 BAM、VCF、参考版本、过滤逻辑和证据质量，而不是把 caller 当成黑箱。

如果你刚开始接触变异检测，先把 FASTQ → BAM → VCF 的层级关系理顺。
这页重点是流程和判断逻辑，不是具体软件命令。

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。

问题定义

DNA-seq 变异检测要解决的核心问题是：

输入：参考基因组序列 $R$ （如 GRCh38），以及来自待测样本的比对后测序数据（BAM/CRAM 格式）。
输出：一组候选变异位点，每个位点包含参考等位基因（REF）、替代等位基因（ALT）、质量分数（QUAL）、以及支持证据的统计摘要。

该问题的本质是在观测到的序列差异中，区分真实的生物学变异与技术噪声、比对假象、测序错误。

关键挑战

变异检测不是单纯”找不同”，而是要在技术噪声和真实信号之间做区分。一个可靠的变异检测流程需要同时考虑：

数据层级：FASTQ 中的原始碱基质量、BAM 中的比对证据、VCF 中的变异质量分数之间的层级关系；
比对不确定性：重复区域的多重比对、indel 周围的局部重比对失败如何影响变异判断；
统计建模：测序深度的泊松波动、碱基错误率的系统偏差、strand bias 等偏好性；
过滤逻辑：硬阈值过滤与机器学习模型过滤的权衡；
注释与解释：数据库版本、参考基因组版本、功能注释对下游分析的影响。

如果忽略这些层次，就很容易把 caller 的输出误当成”自动得到的真变异”，导致后续分析建立在不可靠的候选集上。

前置知识

核心概念

1. 原始数据与质量控制

变异检测的可靠性首先取决于输入数据的质量。从 FASTQ 出发，需要系统性地评估：

碱基质量分数（Phred score）： $Q = -10 \log_{10} P(\text{error})$ ，反映每个碱基的测序可信度；
接头与引物污染：文库构建过程中引入的外源序列需要在比对前去除；
覆盖度分布：理想情况下，基因组各区域的测序深度应服从泊松分布，异常的高覆盖或低覆盖区域可能提示技术偏好或样本问题；
批次效应与样本污染：不同测序批次或混合样本会引入系统性偏差。

低质量输入会直接影响后续候选位点的证据强度，导致假阳性或假阴性。

2. 比对到参考基因组

变异检测高度依赖比对（alignment）的质量。比对问题主要包括：

重复区域的多重比对（multi-mapping）：短 reads 在基因组重复区域可能匹配到多个位置，导致 MAPQ 降低，变异判断困难；
Indel 周围的局部比对失败：标准 Smith-Waterman 局部比对在 indel 边界处容易产生错位，需要局部重比对（local realignment）；
参考基因组版本不一致：使用不同参考版本（如 GRCh37 vs GRCh38）会导致坐标偏移，使”变异”实际上只是坐标系差异。

3. 候选位点生成

变异检测算法（caller）的核心任务是在以下因素之间做统计区分：

信号来源	特征	判别方法
真实变异	等位基因频率符合孟德尔定律或肿瘤克隆结构；支持 reads 质量高	贝叶斯概率模型、基因型似然比
测序错误	随机分布；低碱基质量；通常仅出现在单条 read	错误率建模、质量分数校准
PCR 重复	相同起始位置的 reads 过多；偏好性扩增	去重（deduplication）、分子标签（UMI）
比对假象	集中在重复区域；MAPQ 低；CIGAR 复杂	多重比对过滤、重复区域屏蔽

4. 过滤与注释

最终 VCF 中的 FILTER 字段和 QUAL 字段是 caller 对候选位点可信度的量化。分析者需要理解：

FILTER 标签的含义：PASS 表示通过所有内部过滤；其他标签（如 LowQual、StrandBias）提示特定问题；
QUAL 分数的统计意义：通常是 Phred 标度的变异为假阳性的概率；
INFO 字段的解读：DP（深度）、AF（等位基因频率）、SB（链偏好）等统计量帮助人工审核；
注释一致性：功能注释（如 VEP、SnpEff）依赖于转录本数据库版本，需与参考基因组版本匹配。

示例

一个简化 DNA-seq variant workflow 可以写成：

FASTQ -> QC -> alignment -> BAM -> candidate variants -> filtering -> VCF annotation -> interpretation

如果某个候选 SNP 只被极少数 reads 支持，而且这些 reads 的位置质量较差，那么它更可能是：

测序错误；
比对错位；
低复杂度区域产生的假阳性。

因此变异检测的关键并不是”有差异就算变异”，而是评估证据质量。

与真实工具或流程的连接

比对：索引结构、seed-and-extend、动态规划；
候选位点生成：局部证据聚合、错误建模；
过滤：统计阈值、经验规则、群体频率与功能注释；
解释：数据库映射、转录本 / 蛋白水平影响分析。

DNA-seq variant calling pipeline from FASTQ through QC, alignment to BAM, candidate variants, filtering, and annotated VCF/interpretation — DNA-seq 变异检测的典型流程：从原始 FASTQ，到比对得到 BAM，再到候选变异、过滤、注释与解释。