HitSV：跨测序技术的重复性与特征密度感知断点识别及单倍型解析局部组装实现碱基分辨率结构变异（SV）检测与基因分型

《Nature Biotechnology》：Structural variant detection across sequencing technologies

结构变异（structural variants, SVs）是基因组多样性的主要来源，然而由于重复基因组背景、比对模糊性以及测序成本与读长之间的权衡，其发现仍具挑战性。研究人员在此介绍 HitSV，其实现重复性与特征密度感知的断点识别，并结合精确的单倍型解析局部组装，从而能够在多种测序技术中实现碱基分辨率的结构变异重建和基因分型。在 HG002 基准中，HitSV 相比最先进的结构变异检测工具，分别获得长读长高 15–72%、短读长高 10–36%、混合测序高 12% 的基因型 F₁ 分数。应用于 1KGP（1000 Genomes Project）第四阶段队列，HitSV 将结构变异调用集扩大 31.5%，显著重塑等位基因频率（allele-frequency）图谱。在一个大型中国长读长队列中，HitSV 发现串联重复-移动元件复合阵列（tandem-repeat-mobile-element composite arrays）是一种普遍存在、多等位基因（multi-allelic）的复杂结构变异类别，突显复合重复架构是人类结构变异的重要且此前未充分认识贡献者。

该论文发表于《Nature Biotechnology》。结构变异（structural variants, SVs）通常指大于50 bp的基因组改变，来源于全基因组突变过程，并贡献遗传和表观变异，与疾病易感性相关。人群尺度分析显示，SVs解释不成比例的个体间基因组差异，常富集于重复或结构不稳定区域。全面SV检测对群体基因组学和医学遗传学必要，却仍困难。短读长测序（short-read sequencing, SRS）因成本低、通量高主导大队列，但读长有限，尤其对重复内或涉及插入的SV；长读长测序（long-read sequencing, LRS）可更完整发现SV，但受测序成本和数据需求限制。多数最先进（state-of-the-art, SOTA）方法从比对特征推断SV，如split alignments、discordant read pairs（DRPs）、large clippings（CLP）和local read depth，依赖特征聚类和统计建模或局部组装；这些方法受比对复杂度影响，在重复区和复杂SV中信号弱、异质并系统性扭曲；组装方法受高覆盖、错组装和不完整单倍型分辨率限制。因此，研究人员提出HitSV，一种读长不可知方法，显式建模局部基因组背景对对齐特征影响，整合渐进聚类与单倍型解析局部组装，实现多种测序技术中碱基分辨率SV重建和基因分型。

为开展研究，研究人员在HPRC和1KGP的40个共享样本上构建LRS和SRS的重复性与特征密度经验分布，定义局部重复性R并采集序列分歧（SDAs）、CLP和DRPs等特征，进行重复感知断点识别；将断点作为潜变量进行渐进式SV特征聚类，连接邻近或长程相容簇；采用基于unitig-centered de Bruijn graph（unitig-dBG）的单倍型解析局部组装，短读长覆盖引导遍历、长读长unitig-dBG路径聚类与SDP重比对迭代精化、混合数据以长读长contig为骨架并用短读长consensus打磨；最后以k-mer统计建模和概率模型完成候选等位基因配对与基因分型。样本队列包括HG002 NIST-Q100 v1.1、35个HGSVC样本、1KGP phase 4（n=3,202）、CHN100K 557个ONT样本、HPRC 47个体94单倍型、gnomAD-SV等。

Overview of HitSV。HitSV是支持长读长、短读长和混合测序的基于比对SV检测方法，解决重复和复杂区域对齐信号系统性扭曲导致的漏检、碎片化或错误表示，重新设计SV位点识别、SV特征聚类、SV重建和基因分型。

SV site recognition。采用重复性和特征密度感知断点识别，使用群体规模参考LRS和SRS数据构建经验分布，对序列分歧、clipping和DRP等信号在重复背景下建模，制定数据类型特异规则，在高重复区保持敏感。

SV signature clustering。通过渐进聚类将断点视为潜变量，迭代精化断点概率分布并整合相容簇，聚集分散信号并区分不同等位基因重叠信号，恢复复杂事件。

SV reconstruction and genotyping。采用unitig-dBG整合变异支持与非变异reads进行单倍型解析局部组装；短读长通过覆盖引导遍历生成超过读长的contig，长读长通过unitig-dBG路径聚类和SDP重比对精化，混合数据以长读长contig为骨架并用短读长consensus打磨；基于k-mer统计建模评估候选等位基因，降低保守截断与激进错误重建间权衡，实现高保真单倍型感知复杂SV表征。

Benchmarks across platforms, human cohorts and species illustrate the high yields and versatility of HitSV。研究人员用102个人类数据集和6个非人物种，在LRS、SRS和混合设置中比较13个代表性SOTA SV调用器。LRS benchmarks：HG002 NIST-Q100中30× PacBio HiFi和ONT的F₁-GT为85.00%和88.48%，优于SOTA 15.34–71.68%；35个HGSVC样本70个LRS数据集平均高12.82%（PacBio）和12.93%（ONT）；跨物种F₁优势4.83–14.54%（PacBio）和3.25–21.71%（ONT）。Hybrid benchmarks：HG002中4× LRS加30× SRS与30× LRS Sniffles相当或更高，比blend-seq高11.92%，六种非人种类似，表明混合测序是成本有效选项而非高深度LRS替代。SRS benchmarks：HG002中F₁-GT高于Manta和DELLY分别10.47%和20.28%，也优于GATK-SV等；多物种优于单参考调用器10.76–24.52%；与泛基因组调用器比精度更高并救回泛参考覆盖区假阴性。总体在长、短和混合数据高性能，降低LRS覆盖需求，时间和内存可承受。

Characterization of HitSV in various contexts。HitSV在重建精度、挑战区域和低深度LRS稳健：Truvari refine模式95%相似度F₁-GT 96.70%对Sawfish 91.44%，完全重建83.61%对72.58%；在简单重复、SINE、卫星富集区和挑战医学相关基因中稳健；对>1 kb和>5 kb插入高产，短读长中恢复>1 kb插入精度92.35%；6× LRS超过主要调用器30×，10×达Sawfish饱和产量；混合低覆盖LRS与标准SRS可比或超过高覆盖LRS；错误集中在极端重复或低可比对区。

Application of HitSV to large-scale genomics datasets。重分析1KGP phase 4（n=3,202），HitSV识别228,025个SV，比官方1KGP-SRS调用集增加31.5%，93,242个未报道，每基因组平均多18.3%；HitSV特异SV在匹配HPRC/HGSVC中84.90%和85.26%获组装证据支持，高于1KGP-SRS特异SV；与1KGP-LRS和gnomAD-SV重叠更高；AF景观更平滑，稀有/常见分离更清晰，过去群体特异或超罕见SV被重分类为共享，重复区尤其TR区增益最大，并发现编码和调控区变异。

HitSV resolves genomic complex SVs (CSVs)。CSV为断点成簇、多事件结构。HG002 CSV基准中HitSV优于其他调用器，复杂度越高优势越明显；极复杂区F₁-GT 71.83%，其他低于40%；95%序列相似度下F₁ 69.12–100%，Sawfish低6.8–34.93%；异质SV特征、比对扭曲和异常局部比对是CSV难点；在两个GIAB trio中孟德尔一致性更高，优势在多等位杂合CSV；GSE1基因示例中唯一重建双等位及亲本单倍型。

Comprehensive panel of CSVs in 557 Chinese individuals。在CHN100K的557个中国个体ONT数据中识别2,990个高置信CSV位点，95.58%与TR相关；与47个HPRC个体94单倍型比较，10.50% CHN100K-CSV位点未获HPRC支持；TR-MEI复合阵列在70个位点广泛发生，94.3%在队列中常见（AF > 5%），为复发多等位复杂SV；Alu和L1拷贝数高但多为短片段，SVA虽频率低但更接近全长，对阵列长度贡献大；TR-MEI复合阵列常位于基因或基因邻近区，可扩增调控序列剂量；4.41% CHN100K-CSV位点不在重复背景，形成短区间内连续插入缺失的多等位构型。

Discussion。全面表征SV仍受读长、基因组内在复杂性和测序成本限制。HitSV高灵敏主要来自重复性和特征密度感知位点识别及概率断点聚类改善信号聚集，调和弱/冲突证据，在人类和非人种比常用de novo短读长调用器提高10.47–24.52%。准确等位基因重建关键，HitSV用启发式dBG路径搜索、聚类和合并完整重建等位基因特异序列，HG002优于SOTA长读长调用器15.34–71.68%，refined F₁-GT在95%相似度达96.70%。统一建模长短读长是独特优势，低覆盖2–4×长读长保证contig连续和单倍型分离，短读长30–60×提供精细等位基因和统计证据，比blend-seq提高11.92%，为扩大群体研究提供成本有效替代。1KGP重分析说明提高灵敏度可重发现漏SV并重塑AF，过去群体特异/超罕见变异常被重分类为共享且频率可观，提示早期技术限制造成群体分层偏差；方法学进展可扩展遗留数据价值。CSV探索揭示TR-MEI复合阵列和微观复合重排普遍存在，表明协调重复不稳定、逆转座和局部序列重塑是稳定变异模式。限制包括极大型或高度缠绕重排、复杂等位基因注释、混合测序大队列验证、短读长大插入重建困难等。研究结论翻译：总体而言，HitSV扩展了结构变异的可观测谱，为群体基因组学和复杂遗传结构表征提供了有价值的基础。