SGV-caller：构建SARS-CoV-2基因组变异本地数据库的生物信息学新工具

编辑推荐：面对GISAID数据库共享政策限制及SARS-CoV-2变异监测需求，日本研究人员开发了SGV-caller生物信息学流程。该工具通过比对输入数据集与参考基因组（如Wuhan-Hu-1/NC_045512.2），生成包含核苷酸、氨基酸和密码子水平变异的本地数据库（SGV-database），支持非GISAID数据源，为病毒变异追踪提供高效、透明且可溯源的解决方案，发表于《Heliyon》。

　　 研究背景与意义 自2019年底COVID-19大流行以来，SARS-CoV-2基因组已积累大量突变，形成数千种变异株。全球流感共享数据库（GISAID）作为SARS-CoV-2基因组数据的核心来源，存储了超过1700万条序列（截至2025年1月）。然而，GISAID严格的数据共享政策限制了突变信息的公开获取，现有平台如Outbreak.info仅提供氨基酸替换的统计摘要，缺乏核苷酸和密码子水平的详细变异数据。例如，刺突蛋白中的T23599G和T23599A突变均导致N679K氨基酸替换，但核苷酸差异对病毒进化的影响可能不同。此外，非编码区突变和同义突变对病毒适应性演化的作用亦不可忽视。因此，开发能够本地化构建基因组变异数据库的工具成为迫切需求。

研究方法与技术 日本国立遗传学研究所与东海大学的研究团队开发了SGV-caller，包含14个Perl脚本，依赖多序列比对软件MAFFT。其核心流程包括：（1）通过输入ID列表（如GISAID的EPI_ISL_XXX编号）与参考基因组比对；（2）利用MAFFT进行序列对齐，识别单核苷酸变异（SNV）、插入缺失（indel）及未确定碱基（如N）；（3）基于CDS和非编码区注释文件（如NC_045512.cds.anno.txt）映射氨基酸和密码子变异；（4）支持多线程并行处理，每日可分析50万-60万条序列（单线程）。工具兼容非GISAID数据（如GenBank）和蛋白质序列直接输入。

研究结果

1. 高效变异检测：SGV-caller可识别全基因组范围的SNV、indel及非编码区突变，输出文件（如snp.txt）以单倍型分类统计变异频率。例如，在Omicron和Delta株中分别检测到T23599G和T23599A的刺突蛋白突变。
2. 质量控制：通过NO_Diff（总变异数）、NO_BadBase（未确定碱基数）和S_BadBase（刺突蛋白未确定碱基数）评估序列质量，解决GISAID中约50%序列含N碱基的问题。
3. 灵活性与扩展性：支持自定义参考基因组（如Omicron BA.1株）及基因区域提取（如S_RBD区），适用于其他线性病毒基因组（如HIV）。

结论与讨论 SGV-caller填补了GISAID数据二次分析的空白，提供可追溯、透明的本地数据库构建方案。其模块化设计（如Pipeline#1初始建库与Pipeline#2增量更新）平衡了计算效率与数据时效性。尽管MAFFT比对速度逊于Nextclade（100,000序列处理需4.25小时/单线程），但SGV-caller的内存占用更低（<500 MB），且支持长期数据维护。未来可通过适配环形基因组（如HBV）和分段病毒（如流感病毒）进一步扩展应用场景。该工具已助力多项研究，如发现Lambda株的免疫逃逸突变（Cell Rep, 2022）和Omicron BA.1的S375F特征突变（iScience, 2022），为病毒进化研究与公共卫生决策提供关键技术支撑。