非人灵长类基因组变异分析的决策树优化模型：提升DeepVariant在亚优化比对条件下的变异检测精度

本研究针对非人灵长类基因组研究中因缺乏高质量变异数据库导致的序列比对(SA)质量不足问题，开发了基于LightGBM(LGBM)的变异筛选模型。通过整合DeepVariant置信度评分与比对质量指标（如软剪切比例、低质量读段比），该模型在人类HG001/HG002数据中使误检率(MR)降低52.54%，在猕猴基因组中实现76.20%的MR下降。研究构建的基因组变异优化流程(GVRP)为灵长类分子进化和群体遗传学研究提供了新工具。

　　

在基因组学研究中，准确识别单核苷酸变异(SNV)和小片段插入缺失(Indel)是理解遗传多样性和疾病机制的基础。然而，对于与人类亲缘关系最近的非人灵长类模型（如恒河猴），由于缺乏完善的变异数据库，关键的比对后处理步骤如Indel重比对和碱基质量校正往往无法实施，导致序列比对(SA)质量下降。这种"亚优化SA"条件会显著增加变异检测的假阳性率(FP)，即使使用当前最先进的DeepVariant变异检测工具也难以避免。

针对这一挑战，Jeonghoon Choi和Giltae Song团队开发了基于决策树的变异优化模型。研究首先通过人类标准样本(HG001/HG002)证实，未进行完整后处理的亚优化SA会使误检率(MR)升高至19.58%，显著高于优化SA的14.69%。为此，研究人员创新性地将DeepVariant输出的12个特征（包括3个原始置信度特征和新增的7个比对特征如软剪切比例、低质量读段比等）输入LightGBM(LGBM)模型进行二次筛选。

关键技术方法包括：使用BWA进行序列比对，通过SAMtools/GATK进行不同层级的后处理定义优化/亚优化SA条件；基于35×覆盖度的Illumina Platinum Genome和GIAB数据集训练模型；针对853只恒河猴队列的MMul_10参考基因组数据验证跨物种适用性；采用替代碱基比(ABR)分析评估纯合/杂合SNV的分类可靠性。

变异检测在优化/亚优化SA条件下的比较

通过GATK GenotypeConcordance工具评估发现，亚优化SA使人类HG002样本的SNV误检率从9.24%升至11.77%，Indel误检率从35.92%增至36.93%。在恒河猴数据中，未优化处理的原始DeepVariant结果总SNV误检率高达20.77%。

人类亚优化比对条件下的模型优化效果

混合训练后的LGBM模型在独立测试中达到0.946的F1值，使HG001的MR从19.58%降至10.29%。特征消融实验显示，比对特征(AF)和置信度特征(CF)的联合使用使AUC-ROC提升至0.909，证明两类特征的互补价值。

在非人灵长类的应用验证

模型将恒河猴总SNV误检率从20.77%降至15.83%，其中纯合SNV(HM-SNVs)的改善幅度(21.70%→15.60%)大于杂合SNV(HT-SNVs)。ABR分析揭示，优化后的HM-SNVs在100%ABR区形成单峰分布，而原始数据呈现双峰分布，暗示Ground Truth中可能存在错误分类。

讨论与结论

该研究首次系统评估了比对质量对DeepVariant性能的影响，并证明通过机器学习整合多维度比对特征可突破"亚优化SA"的限制。特别值得注意的是，模型对纯合SNV的优化效果显著优于杂合SNV，这可能与DeepVariant对高置信度变异的识别特性相关。研究构建的GVRP流程为灵长类基因组研究提供了实用工具，其设计思路可扩展至其他缺乏完善参考数据库的物种。未来工作将探索该框架与GATK HaplotypeCaller等工具的兼容性，并评估在更低覆盖度(<25×)数据中的适用性。论文发表于《BMC Genomics》，为非人灵长类比较基因组学研究建立了新方法学标准。