1. 为什么低深度测序能在拷贝数变异分析里站住脚这两年我越来越常遇到同一类问题手里的样本深度只有0.5x到2x但临床或科研那边希望尽量把拷贝数变异CNV信息榨出来。放在五六年前这种要求会被当成不可能。传统框架里想看拷贝数变异要么用染色体核型分析分辨率能到5-10Mb但必须培养细胞周期长、自动化程度低要么上染色体微阵列分辨率高但价格不便宜碰上珍贵样本消耗得起吗低深度全基因组测序正好站在两者之间——全基因组覆盖价格接近微阵列甚至更低操作流程完全走NGS那套不需要细胞培养还能顺带给出更细的断点信息。我最近专门挑了一批和低深度测序做CNV分析有关的文献重读越读越觉得这个方向值得系统整理一番。因为在各类文章里作者往往默认读者已经理解低深度测序的底层逻辑直接抛出“我们用了0.5x的数据检出率如何如何”真正关键的细节很容易被轻轻带过。这篇笔记就是想把这些被带过的内容重新拉出来讲清楚为什么低深度测序在看大片段CNV时足够可靠为什么它又不能包打天下以及我们在读文章、跑流程、报结果时最该盯住哪些参数。如果你正在接触产前样本的染色体异常评估、肿瘤组织或游离DNA的拷贝数分析或者遗传病初筛里对基因组骨架的检查这篇文章会非常对胃口。就算你不是生信分析人员只负责审核报告里面的参数表和判断逻辑也能帮你看懂那些“检测灵敏度95%”之类结论的水分在哪儿。1.1 传统方法和低深度全基因组测序的取舍关系先把这几个平台的本质差异说透。核型分析看的是中期染色体断点大于5Mb甚至10Mb才能稳定识别优点是能看到平衡易位这是测序类方法很难替代的。染色体微阵列和SNP芯片看的是全基因组探针信号分辨率可以做到几十kb到数百kb但探针分布并不均匀某些区域天然没有探针覆盖而且它反映的是“拷贝数和基因型”的综合信号遇到杂合性缺失时很依赖等位基因信息的质量。高深度全基因组测序信息最全但30x以上的测序成本放在大批量检测场景里根本不现实。低深度全基因组测序的思路是放弃单碱基级别变异用较少的reads覆盖全基因组只依赖read深度统计来判断拷贝数变化。它不一定能给出最好的分辨率但在“成本—覆盖度—均匀度”这组矛盾里找到了一个实际可用的平衡点。我读过的文献里深度低到0.1x的极端设计也能在整条染色体非整倍体层面拿到可靠性不错的结论而0.5x到1x的数据则被大量用于5Mb以上片段的拷贝数评估。换句话说低深度测序不是妥协的产物它本身是一种为“大信号”设计的检测方案。1.2 低深度的核心赌注深度越低窗口越大低深度测序做CNV检测依赖一个朴素假设某一段基因组的测序深度大致反映它的相对拷贝数。有了这份拷贝作为参考对覆盖率做归一化就能从一个粗糙的深度分布中推断出染色体区段的拷贝状态。问题是深度很低时每个局部区间里reads数量极少随机波动很大。一个0.5x测序的WGS数据按150bp读长计算平均每个1Mb窗口内只有约3333条reads如果窗口缩到100kb平均只剩333条reads泊松噪声直接放大到5%以上。在这种噪声水平下想靠单窗口判断一个拷贝数状态接近极限。所以核心赌注变成了一个工程平衡牺牲单点分辨率用大窗口积累足够的reads来对抗噪声。加厚窗口再配合分割算法把相邻窗口合并成segment就能从统计层面还原真实的拷贝数边界。这就是为什么低深度分析一定要先设计好“窗口大小—深度—目标分辨率”这三者的关系。1.3 谁需要关注这件事目标读者很清楚一是手上有一批低深度全基因组数据的生物信息分析人员二是临床检测机构里需要审核CNV报告的同事三是公共卫生、遗传咨询这类岗位需要向上级或者患者家属解释检测边界的人。对于第一类读者这篇笔记能帮你少踩几个坑对第二类读者里面的参数表可以当作审阅报告的checklist对第三类读者我希望你能从中看到一个特别重要的原则低深度测序报告的结果永远要带着一个“在什么大小和比例范围内可信”的限定词。2. 文献里反复出现的分析链路从read数到拷贝数状态读低深度CNV文章时最先要看的就是它的分析流程是怎么搭的。几乎每篇有价值的文献都会给出一个相似的管道比对→窗口化→校正→分段→判定。这五个步骤每步都藏着坑忽略任何一环最终结果都可能偏离真实。我重点拆解一下文献里最常出现的几个关键环节。2.1 第一步永远是窗口化分辨率和噪声的第一次博弈窗口化把全基因组切成固定长度的格子比如100kb、250kb、500kb、1Mb然后统计每个格子内唯一比对的reads数量。这个格子大小直接决定了你能看到多小的拷贝数变异也决定了信号噪声比。我在文献里总结过一张实用对照当深度为0.5x、读长150bp时1Mb窗口每个格子平均3333条reads泊松噪声约1.7%500kb窗口平均1667条reads噪声升到2.4%250kb窗口平均833条reads噪声约3.5%100kb窗口平均333条reads噪声直接到5.5%。这不是说半深度测序只能看1Mb以上的东西而是说低于这个尺度时单窗口的信号不足以作为独立证据。一个常见且合理的折衷方案是先用1Mb或500kb的大窗口在全基因组层面扫描筛到候选区域后再仅对感兴趣的局部区域放大小窗口重新统计以精细边界。文献里很多“高分辨率断点”其实都来自这种两步策略而不是全程用小窗口硬算。2.2 不校正这三点结果会骗人窗口统计完reads数量之后接着是一串校正步骤。第一是mappability校正人类基因组里存在大量重复序列、着丝粒、端粒、核糖体DNA区段这些区域的reads要么比对不上要么比对到多个位置。低深度数据本来就稀疏任何一段比对异常的区间都会在深度分布上造成系统性凹陷或凸起。文献中常见做法是提前建立一份基因组“可比对区域”mask把这类区域排除在分析之外。不同参考基因组版本的mask差异很大这一点经常被忽视。第二是GC校正。PCR扩增偏好会让GC含量偏高或偏低的区域reads数量系统性偏离真实拷贝数最经典的校正方式是用局部加权回归LOESS拟合每个窗口的reads数量与GC含量之间的关系然后按拟合曲线做归一化。几乎所有成熟的low-pass流程都会保留这个步骤但如果GC校正不能和同一批次的正常样本基线配合使用效果会大打折扣。第三是文库层面的校正。不是说只看全样本duplicate rate就够了还要看局部文库是否出现了异常扩增。某个片段被局部的PCR过度扩增会导致该区域的reads数量畸形偏高看起来就像“拷贝数增加”。文献中通常会通过per-window的duplicate分布统计来判断是否需要剔除局部异常。2.3 分段算法与判定阈值把信号从离散点拼成区段校正完成后每个窗口得到一个相对拷贝数评分通常表示成log2比率。但窗口级别的信号噪声依然很大于是所有文献都会进入同一个环节分段。分段算法解决的问题是“连续窗口的拷贝数状态是否显著不同”常见思路有循环二元分割、隐马尔可夫模型等。它们输出的是一段段相对均一的segment再根据每个segment的log2值判定是正常、缺失还是扩增。判定阈值是文献里最容易被黑箱化的参数。我见到的典型做法是拿log2 ±0.25作为分界也有用z-score超过±3来判定的。但重要的是不能机械套用三倍体染色体的理论log2比率约0.585杂合缺失的理论log2比率约-1这个信号很强不需要依靠经验阈值也能看出来。真正需要经验阈值的是肿瘤样本因为原位肿瘤或循环肿瘤DNA中信号会被正常细胞稀释当拷贝数3存在但比例只有20%时log2比率只有0.18左右已经逼近噪声区。因此文献里写“我们以log2 0.25作为扩增判定标准”时一定要看它的样本类型和应用场景是否和你一致。2.4 复现时最容易翻车的地方我自己复现低深度文献流程时排名第一的翻车点是基线样本的选择。很多文章用同一批次里若干正常样本构建基线基线若包含了性别不均衡或某个片段罕见的拷贝数多态会直接污染所有样本的判断。排名第二的翻车点是mappability mask没有跟上参考基因组版本。拿着旧版本mask做新版本比对结果会产生系统性区域偏差假阳性一堆。排名第三的是只看平均深度、不看深度在染色体上的分布形态。平均深度正常不代表每一条染色体都测得好偶尔会有文库质量问题导致某条染色体深度整体偏低必须用性别自检和染色体分布图这类质控手段来把关。3. 阅读文献时我会单独标注的参数清单这部分是我读低深度CNV文献时最核心的收货真正决定文章结论质量的是那几个看似不起眼的数字。我把它们单独列成了一份清单每读一篇新文章就按清单抄一遍时间久了文章兑现的价值就能一目了然。3.1 深度到底怎么算的一个容易被绕晕的表述低深度文章里最常用到的指标是“平均深度”。但平均深度至少有四种算法按原始reads数算、按去重后reads数算、按唯一比对reads数算、按去除mappability屏蔽区域后的有效reads数算。同一批数据用不同计算方法平均深度数值可能差异很大。一篇声称0.5x的数据如果做mappability屏蔽后有效深度只有0.4x那它真正能够在单位窗口内累积的信号就低于表面值。读文献时我会先看方法部分有没有把“深度”定义写清楚。如果只写“测了多少百万reads”我就把它除以人类基因组大小换算一下看看和声称的深度是否一致。这种换算不仅帮我判断数据量还能推断该文章是否过滤掉了大量重复序列。你要是做临床报告最好在内部流程里统一深度计算口径否则跨批次、跨平台比较结果会出现系统性误差。3.2 性能指标必须按CNV大小分层看多数低深度文章面临一个绕不过去的检验拿它和高深度WGS或者微阵列结果对照得出总灵敏度、特异度、阳性预测值。只看总的灵敏度很容易被漂亮数字迷惑。因为大片段变异在低深度下本来就信噪比极佳一旦数据里有大量大于10Mb的变异整体灵敏度会被拉得很高掩盖小片段变异表现不足的事实。所以我在阅读笔记里会把“检测灵敏度”拆成若干组10Mb、5-10Mb、1-5Mb以及1Mb分别记录。很多文章总灵敏度报到了95%以上但看细分的5Mb组可能掉到70%上下。这种差异不是缺陷而是技术边界但做临床决策时知道边界比知道平均值重要得多。遇到文章不提供按大小分组的数据我一般会把它的结果标注为“初步可信缺乏细节印证”。3.3 我自己的横向对比字段表为了不让自己在几篇文章之间迷失我固定用一套字段做对比。过程中需要的字段包括文库构建方式、测序平台、读长、插入片段大小、平均深度及计算方式、窗口策略、mappability mask版本、GC校正方法、分段算法、报告阈值、样本类型及背景纯净度、对照基准、分段验证方式、最终统计分层。把这些字段填进一张表里再横向比较不同文献之间的差异很多结论的适用范围就变得非常具体了。尤其要留意的是插入片段大小和读长这两个似乎与CNV无关的参数。低深度CNV分析主要依赖read深度读长对单窗口计数的影响不大但插入片段大小影响比对到重复区域的唯一性尤其是在短片段文库中比对策略和屏蔽选项会直接影响质控统计。文献里如果完全没说清楚这些复现时很容易在某个环节得到无法解释的偏差。4. 产前、肿瘤、遗传病场景里同一套技术要分开读同一篇低深度CNV文献在不同场景下的可迁移性差异极大。按样本类型拆开读比笼统地套用“低深度可用于基因组拷贝数分析”这句话要靠谱得多。4.1 产前样本污染和性别归一化是重灾区产前样本通常来自羊水或绒毛样本量低、起始DNA有限需要较多扩增循环文库质控显得愈发重要。更重要的是产前样本可能出现母体污染羊水中母体细胞比例一旦升高会直接稀释胎儿纯合区域的拷贝数信号。文献中常见的对照做法是同时分析胎儿和母体样本或者用STR标记、甲基化差异检测方法评估母体DNA比例。读文章时如果看到作者没有说明母体污染处理我基本会认为该结论对产前场景的适用程度有限。性别归一化也是一个容易被忽略的点。男性样本仅有一条X染色体如果不做性别归一化X染色体相关区段会被当成杂合缺失造成系统性假阳性。文献里比较老练的处理是在基线中包含同等数量的男性和女性正常样本并对性别染色体单独建模。看到论文里性别检测结果与实际表型不一致却仍然纳入分析的我会怀疑其数据质量是否真正经住了质控。4.2 肿瘤样本纯度会把拷贝数信号“稀释”肿瘤样本里的拷贝数信号是“肿瘤细胞拷贝数变异×肿瘤纯度”的叠加效果。比如一个肿瘤细胞存在4拷贝的扩增区域但肿瘤纯度只有30%那么最终测得该区段的等效拷贝数是0.3×4 0.7×2 2.6对应log2比率约0.38仍然可观。但如果肿瘤细胞只是杂合缺失拷贝数从2掉到1纯度只有30%时等效拷贝数是0.3×1 0.7×2 1.7log2比率约-0.23已经接近很多文献的判定阈值。读肿瘤相关的低深度CNV文章我会特别留意它们是否报告了接受样本的细胞含量或纯度。纯度在30%以上时低深度数据对大片段扩增和纯合缺失的识别还行纯度降到10%到20%后那些以前被“平均”出来的信号会消失得很彻底。这也是为什么肿瘤样本领域往往会在低深度之外同时做杂合SNP位点的等位基因频率分析两者放在一起才能给拷贝数变异一个真正的佐证。4.3 遗传病初筛低深度只能当骨架遗传病场景里最被关注的往往是非常小的拷贝数变异比如常见微缺失综合征涉及的区段可以小到几百kb到2Mb。这个尺度对于低深度测序来说基本是极限边缘。除非数据量远高于0.5x否则要把微缺失稳定检出很容易出现不确定性。我读到的比较务实的用法是把低深度数据当作一种“全基因组骨架扫描”如果骨架显示某个区域内存在可疑的深度异常再针对该区域选择高深度靶向测序、PCR或者FISH作为验证手段。这种“先全基因组扫描、再定点确认”的组合在临床上很有实际意义能提供比常规核型分析更高的分辨率初步结论又不至于让人误以为它已经给出了像微阵列那样精准的边界。文献里如果声称低深度可以替代基于探针的微阵列技术我看重的不是最后的检出率数字而是它用什么验证方法、覆盖哪些灰区、对断点定位误差有没有交代。5. 一份可以照抄的文献阅读笔记模板做了这么多批注之后最大的体会是没有结构化模板的记录方法最终会变成一段段被遗忘的文字。我现在但凡阅读一篇低深度CNV相关文献都会按照一套固定框架做笔记既方便自己回顾也能拿给团队成员直接参考。5.1 笔记翻到哪几条才算真正看懂了笔记框架分七层第一层记录问题定位作者想解决什么场景是产前筛查、肿瘤负荷评估还是遗传病初筛第二层记录数据要素样本量、样本类型、正常对照数量、性别比例、测序深度和计算口径第三层记录流程参数窗口大小、mask版本、校正方法、分段算法、报告阈值第四层记录验证设计和金标准对照的方式、分组方式、是否采用盲法第五层记录性能结果按大小分层和纯度分层的数据第六层记录局限和灰区哪些类型变异被明确排除或检测不稳定第七层写我的转化判断这篇文献中输入的操作能不能直接应用到当前手上的样本。不客气的说很多人读文献只停留在第一层和第二层到了第五层就会忽略分组到第七层干脆空着。一篇好的笔记至少要把第四到第七层都填满否则它只是一篇缩写摘录。5.2 用测试数据把文献参数重跑一遍纸上读文献永远不如亲手跑一遍来得可靠。每当我接触一篇新的低深度CNV流程我会拿一组测试数据分别用几种常见窗口参数跑出深度分布先看单窗口噪声水平与文献描述之间的对应关系。比如用0.5x的数据分别在100kb、500kb、1Mb窗口下统计read数量分布然后画出每个窗口的log2比率和GC含量之间的关系图。这个操作不需要构建完整流程只要到分段之前就够帮忙判断很多问题。如果GC校正很干净GC含量与log2比率的散点应该没有什么明显趋势如果这个散点还带弧度说明该流程在当前数据上并没有做好的GC校正。一定要记住文献里的结果是在它们的样本、平台和文库条件下得到的用自己的测试数据重跑一遍才能知道哪一步需要本地改造。5.3 横向对比表从单篇笔记到领域地图等笔记积累到一定量我最推荐的事情是把每篇落成一行做一张大横向对比表。字段不必多前面提到的那几个就够。你会看到某些文献之所以报告更高的灵敏度是因为它把窗口设得更大、把深度压得更低但代价是分辨率下降。这是非常典型的取舍文章A用1Mb窗口0.5x深度能稳定看10Mb以上变异文章B用200kb窗口2x深度能把断点盒拉到数百kb但每样本成本明显增加。把这两篇摆在同一张表里当年围绕“低深度到底行不行”的争论其实就变成了“你到底要多大分辨率和多大成本”的工程选择。这张表就是日后别人问你“能不能做某个场景”时最坚实的数据基础。6. 复盘之后我觉得应该记住的三件事6.1 低深度不是万能的即便在最佳条件下低深度全基因组测序的强项仍然是“较大区域的拷贝数拷贝状态”而不是微小变异或结构重排的精细刻画。在读文献时看到任何一个声称“可靠检出200kb CNV”但只用0.5x数据的表述我都建议多读两遍方法部分看看验证样本规模到底有多少。真正要保障微小变异的检测能力深度往往得往上加好几个量级。低深度方法更像是全基因组层面的扫描雷达而不是手术刀。6.2 同一套流程在不同批次的结果可能不一样这不只是偶发情况而是低深度测序的内在特点。文库构建差异、测序批次间的化学平衡条件变化、局部扩增程度不同……这些因素都会反映在窗口深度分布上。文献中用同一批正常样本构建基线得到的结果拿到另一个批次未必能复现。所以在实际操作中质控基线尽量同批次重建而不要指望上一次的基线可以永久复用。6.3 临床报告里的灰区设计是文献最诚实的部分一份好的文献除了报告率格外亮眼的数字还会认真交代哪里检测不稳定、哪里需要放大验证。判断一篇文章到底诚不诚实看它“局限性”部分写在方法里还是写在结尾的套话里。很多文章把局限性放在讨论最后一句“需要更多样本验证”这种内容我基本不纳入评估。真正对我有帮助的是那些明明白白写出“当纯度低于20%时单拷贝缺失检测率降至不足一半”的文章。这说明作者不是拿一个理想化模型在汇报而是给出了一组工程意义上的鲁棒边界。我自己现在做低深度CNV项目时最常用的判断准则就是凡是没交代深度的计算口径、没给出按大小分层的性能数字、没说清楚灰区范围的文章我一律先标记为“待验证”直到有独立数据可以确认。低深度测序本身值得信任但它值得信任的前提是我们清楚地知道它什么时候会露馅。你手里的0.5x数据并不是限制真正限制你的是对上面这些参数有没有掌握到跟自己实验完全对齐的程度。每读一篇新文献我的建议都一样用自己的数据重跑一遍把掉链子的步骤找出来再判断这篇论文到底能不能为你所用。