《Briefings in Bioinformatics》：PGpath: recommending population-adapted linear reference genomes from pangenome subpaths
编辑推荐：
大规模群体测序需要能够准确代表目标群体遗传背景的参考基因组。尽管高质量线性参考如T2T-CHM13已提高了人类基因组表征的完整性，但单一参考基因组仍不足以捕获跨群体的遗传多样性。泛基因组图（pangenome graph）提供了多来源基因组变异的更丰富表征，但
大规模群体测序需要能够准确代表目标群体遗传背景的参考基因组。尽管高质量线性参考如T2T-CHM13已提高了人类基因组表征的完整性，但单一参考基因组仍不足以捕获跨群体的遗传多样性。泛基因组图（pangenome graph）提供了多来源基因组变异的更丰富表征，但将泛基因组多样性转化为实用参考基因组仍具挑战。首先，泛基因组图在常规大规模测序分析中的直接应用受到图复杂性和与现有线性参考工作流兼容性差的限制。其次，现有泛基因组驱动的个性化参考主要针对个体样本而非群体，且当前路径推荐策略在分支节点选择时可能忽视局部来源一致性。在本研究中，研究人员提出了PGpath，一种基于泛基因组推荐群体适应性线性参考基因组的方法。PGpath从选定的泛基因组子路径生成参考，在保留泛基因组多样性的同时维持与标准下游流程兼容的线性格式。在本研究中，研究人员使用群体水平k-mer频率特征表征样本的共享遗传背景，并将参考推荐重构为泛基因组图中的分支节点预测。为鼓励局部来源一致性，研究人员开发了一种结合相邻分支节点间来源一致性关系的拓扑约束多任务神经网络。在人类泛基因组参考联盟（Human Pangenome Reference Consortium，HPRC）群体数据集和HG002变异检测基准上的实验表明，与常用参考相比，PGpath派生的参考改善了读段比对性能并减少了下游变异检测错误。PGpath为将泛基因组多样性转化为用于大规模基因组分析的群体适应性线性参考提供了一种实用策略。
大规模群体测序在临床筛查和队列基因组研究中应用广泛，参考基因组的选择直接影响读段比对、变异检测等下游分析的可靠性。尽管T2T-CHM13等高质量线性参考大幅提升了人类基因组表征的完整性，但单一线性参考仍不足以捕获跨群体的遗传多样性。泛基因组图（pangenome graph，整合多个参考基因组变异信息的图结构）能够提供更丰富的多来源变异表征，但直接将其用于常规大规模测序分析面临图复杂度高、与现有线性参考工作流兼容性差等障碍。已有的泛基因组驱动的个性化参考主要针对个体样本，依赖高深度测序、单倍型推断或样本特异性图构建，在低深度大规模队列中成本高；且现有路径推荐策略可能忽视相邻分支节点的局部来源一致性，导致生成的路径在参考来源间突然切换。因此，需要一种能从泛基因组中提取群体适应性线性参考的方法，兼顾群体代表性与线性工作流兼容性。
研究人员提出了PGpath，通过从选定的泛基因组子路径生成线性参考，保留泛基因组多样性同时兼容标准分析流程。PGpath利用群体水平k-mer（长度为k的寡核苷酸片段）频率特征刻画样本共享遗传背景，将参考推荐转化为泛基因组图中的分支节点预测，并开发拓扑约束多任务神经网络（利用相邻分支节点来源一致性约束预测结果的网络）促进局部来源一致性。在HPRC群体数据集和HG002变异检测基准上的实验表明，PGpath派生的参考改善了读段比对性能，减少了下游变异检测错误，为大规模基因组分析提供了将泛基因组多样性转化为群体适应性线性参考的实用策略。
关键技术方法：研究人员以GRCh38、T2T-CHM13、HG002、T2T-YAO、NA19240五种参考组装为面板，用Minigraph构建以T2T-CHM13为骨架的泛基因组图（共47 004个分支）。用ART（测序读段模拟工具）模拟各参考来源200个3×深度双端测序样本，按60%:20%:20%划分后混合生成群体级训练/验证/测试集（每群体40样本，主要来源占比0.6–1.0）。用Jellyfish统计31-mer频率，经固定过滤、低频率过滤、组间方差排序及ANOVA-Benjamini-Hochberg FDR校正，保留1967个群体判别k-mer。基于相邻分支节点共享参考来源构建拓扑关联图，训练多任务交叉熵加图拉普拉斯光滑损失的神经网络，最终按图连通性整合预测分支节点生成线性参考。HG002留一参考（LOO）评估将HG002完全移出参考面板并从头重跑所有流程。
研究结果：
- 评估数据集与指标：使用人类泛基因组参考联盟（HPRC）三个群体数据集P-EAS、P-EUR、P-AMR（各5例样本）评估读段比对，使用GIAB HG002高置信基准评估变异检测。读段比对采用BWA-MEM，坐标转换使用minimap2/wgatools和CrossMap。
- 高质量参考基因组间序列差异：通过T2T-YAO与T2T-CHM13全基因组比对，发现染色体间存在连续共线性区域，但多个区域出现局部间隙、片段化比对和复杂重复区差异；对全部10对参考组装的两两比对也显示持续局部差异，表明组装完整性并不等于群体代表性。
- 群体判别k-mer能区分参考来源：五个代表性k-mer在T2T-CHM13、GRCh38、HG002、T2T-YAO和NA19240来源样本中呈现清晰的特异性频率模式；队列大小分析显示预测稳定性随个体增加而增加，高度混合时准确性下降，说明群体k-mer表示具有鲁棒性。
- PGpath参考提高读段比对完整性：在三个HPRC数据集上，PGpath-Ref(full)的完美匹配率、无缺口匹配率和正确配对率均最高，如P-EAS分别为78.064%、98.372%、98.957%；MAPQ60率低于GRCh38但高于其他非GRCh38参考，可能因GRCh38中未解析的N遮蔽区域使部分读段不参与高唯一性比对统计。
- HG002样本适应性LOO评估：完全移除HG002后重新训练生成的PGpath-Ref(LOO-HG002)在结构变异（SV，≥50 bp）检测中，Manta和Delly的F1分别为94.18%和94.53%，高于最强固定参考T2T-CHM13（93.94%和94.41%）；小变异检测中，DeepVariant的SNP和indel F1分别为99.69%和99.24%，GATK的SNP F1为99.35%，均优于或相当于T2T-CHM13。
- 拓扑感知约束的消融研究：无拓扑约束时分支节点准确率94.261%、来源一致转换率89.163%；λ=10
-4时准确率最高95.958%、一致率提升至92.668%；λ=10
-2导致过正则化（准确率降至85.741%），而随机等大小k-mer子集和仅方差过滤的准确率均低于所选1967个k-mer，验证了特征选择和拓扑约束的贡献。
讨论部分指出，PGpath将参考推荐重构为分支节点预测，使用群体水平k-mer特征而非个体单倍型信息，更适合大规模队列场景。拓扑约束通过来源一致性减少了相邻分支间的无关切换，提高了参考路径的局部连贯性。与个性化参考相比，PGpath为群体构建共享参考，一次构建即可在全队列中复用，降低了计算和存储成本，同时保持线性坐标兼容性。队列大小敏感度分析表明，PGpath不依赖固定队列规模，但小队列和高度均匀混合群体仍是更困难的情况。HG002实验被明确解释为样本适应性留一参考泛化评估，而非群体级性能证据。局限性在于当前参考面板仅包含五个基因组，未来可通过纳入更多高质量T2T级参考基因组扩展多样性。研究结论可翻译为：总体而言，PGpath证明了从泛基因组图自动推荐群体适应性线性参考的可行性；它提供了一种在群体代表性、线性参考兼容性和计算可扩展性之间取得平衡的参考基因组构建策略，适用于大规模测序应用，并为未来针对具有共享遗传背景、疾病背景或其他生物学相关特征的队列优化参考路径奠定了方法基础。
