基于长读长测序的SV精准分型方法cuteFC：通过自适应聚类与多等位基因识别提升结构变异检测效能

针对长读长测序中结构变异(SV)分型准确性不足的难题，哈尔滨工业大学团队开发了cuteFC方法。该方法通过自适应聚类与多等位基因感知聚类策略，结合基因组位置扫描(GPS)算法，在模拟和真实数据集中实现92-95%的F1分数，较现有工具提升2-5%，为大规模人群SV图谱构建提供了高效解决方案。

　　

在基因组研究领域，结构变异(SV)作为长度超过50bp的DNA序列改变，包括缺失(DEL)、插入(INS)、倒位(INV)、重复(DUP)和易位(TRA)等多种类型，与人类疾病、种群进化和表型多样性密切相关。然而传统基因组关联研究(GWAS)主要关注单核苷酸变异(SNV)和短插入缺失(indel)，忽视了SV的重要遗传贡献。随着Pacific Biosciences(PacBio)和Oxford Nanopore Technologies(ONT)等长读长测序技术的发展，虽然为SV检测带来新机遇，但测序错误、覆盖度限制以及SV复杂性导致的分型不准确问题，仍是构建高质量人群SV图谱的主要瓶颈。

哈尔滨工业大学的研究团队在《Genome Biology》发表的研究中，开发了名为cuteFC的创新性SV分型方法。该方法通过四项关键技术突破：1)从比对文件中提取多类型SV特征；2)基于空间相似性的特征标记与聚类策略选择；3)基因组位置扫描(GPS)算法实现线性时间复杂度；4)最大似然估计分型赋值，在模拟和真实数据集中展现出显著优势。研究证明cuteFC在30x测序深度下F1分数达92.81-95.77%，较cuteSV、Sniffles2等工具提升2-5%，且在5x低覆盖度下仍保持83%以上的准确性。

关键技术方法包括：1)使用VISOR(v1.1.2)生成包含3668个SV的模拟数据集；2)基于GIAB HG002标准样本的PacBio HiFi/CLR和ONT测序数据验证；3)中国人群100例15x ONT测序队列分析；4)采用Truvari(v3.5.0)进行结果评估；5)通过BCFtools(v1.9)计算变异等位基因频率(VAF)和Hardy-Weinberg平衡检验。

研究结果部分，"Benchmarks of regenotyping performance on simulation datasets"显示，cuteFC在HiFi、CLR和ONT模拟数据中F1分数分别达92.81%、93.15%和93.09%，对10kbp以上大片段插入和易位的分型准确率分别达95%和68%。在"Benchmarks of regenotyping performance on the HG002 datasets"中，基于GIAB SV v0.6标准，cuteFC在四种测序技术中F1分数均超过92%，其中HiFi数据达到95.77%。特别值得注意的是，在挑战性医学相关基因(CMRG)区域，cuteFC通过多等位基因感知聚类使分型准确率较次优工具提升5-8%。

"Benchmarks of regenotyping performance on a large-scale Chinese cohort"部分验证了人群应用价值。在100例中国人群数据分析中，cuteFC过滤的低质量SV比例最低(HWE 5.07%，ExcHet 2.81%)，且与HGSVC国际队列的共享SV一致性达17，063个。对两个样本的PacBio HiFi组装验证显示，cuteFC对单例和双例SV的发现率分别达91.69%和89.91%，错误基因型比例仅为6/217和16/116。

在"Evaluation of the computational performance"方面，GPS算法使cuteFC在16线程下仅需3分钟/样本完成100例人群分析，内存占用稳定在4.84GB，较cuteSV提速3-5倍。该算法集成至cuteSV后，使其SV检测时间缩短至10分钟/样本以内。

研究结论指出，cuteFC通过三大创新解决了SV分型的关键问题：1)自适应聚类消除无关等位基因干扰；2)K-means聚类准确识别多等位基因区域；3)GPS算法实现人群规模应用。这些突破使得在保持92-95%分型准确率的同时，能高效处理千人规模SV数据集。局限性在于目前尚不能解决序列高度相似的SV分型，以及多倍体植物基因组的复杂SV事件。该研究为人群遗传学研究和罕见病分析提供了新工具，其代码已在GitHub开源，将推动长读长测序在精准医学中的更广泛应用。