《International Journal of Molecular Sciences》：Metadata-Driven Project-Level Analysis and Noise Modeling for Amplicon Sequencing Data Using CRISPResso2
编辑推荐：
研究人员在此提出一种轻量级工作流，旨在利用CRISPResso2提升高通量扩增子测序分析的稳健性与可扩展性。为在不中断敏感运行的情况下处理大批量数据，该流程对样本进行顺序处理，使得在发生错误时能够从最后一个成功完成的样本处继续分析。该工作流实现了针对失败运行的
研究人员在此提出一种轻量级工作流，旨在利用CRISPResso2提升高通量扩增子测序分析的稳健性与可扩展性。为在不中断敏感运行的情况下处理大批量数据，该流程对样本进行顺序处理，使得在发生错误时能够从最后一个成功完成的样本处继续分析。该工作流实现了针对失败运行的自动回退机制、对照样本的自动提取与独立处理，以及在限定编辑窗口内基于对照文库构建的背景噪声模型。使用涵盖Cas9、碱基编辑（base editing, BE）和引物编辑（prime editing, PE）的掺入（spike-in）数据集进行验证，结果表明，经噪声校正后的估计值与真实值仅偏差0.1%–0.6%，而原生CRISPResso2则造成1.5%–3.7%的高估。与主要聚焦于CRISPR-Cas9的现有工具（如CRISPECTOR）不同，本方法支持多种编辑模式，并能够实现大规模数据集的项目级组织。通过可配置标志和模块化元数据表降低输入复杂性，最大限度减少人工参数输入。综上所述，这些特性为分析大规模基因组编辑数据集提供了一个灵活、容错且高精度的框架。
**基于CRISPResso2的元数据驱动项目级扩增子测序分析框架：一种集成噪声建模的多编辑模式工作流解读**
**1. 研究背景与问题**
过去十年间，基因组编辑技术快速发展，CRISPR-Cas9系统的出现实现了高效、可编程且低成本的基因组修饰。在此基础上，碱基编辑和引物编辑等新一代技术进一步提升了编辑精度与安全性。碱基编辑器将催化失活的Cas蛋白与脱氨酶融合，实现特定碱基对的直接转换，如胞嘧啶碱基编辑器（CBE）介导C·G到T·A的转换，腺嘌呤碱基编辑器（ABE）介导A·T到G·C的转换。引物编辑则利用融合了逆转录酶的Cas9 nickase与pegRNA，能够在不依赖双链断裂（DSB）和供体DNA模板的情况下实现靶向插入、删除及所有十二种可能的碱基替换。然而，这些编辑技术的效率与保真度高度依赖实验设计和细胞环境，因此准确评估编辑结果至关重要。
在测序分析方法中，基于下一代测序（NGS）的扩增子测序凭借高灵敏度和分辨率，成为量化编辑效率和表征编辑事件谱系的主流手段。CRISPResso2是目前广泛使用的分析工具，能够执行读段质量过滤、参考序列比对、插入和删除（indel）定量、移码分析及可视化输出，并支持批处理和比较模式。然而，现有工具在处理大规模实验数据集时存在若干实际局限。首先，大批量批处理在计算上负担沉重且运行脆弱，特别是在引物编辑等复杂编辑场景中，单个样本的运行错误可能中断整个批处理流程，需要用户重启分析或手动重新处理受影响的样本。其次，现有工具通常在单个分析的水平上操作，而非完整实验项目层面，用户需要为每个样本手动准备详细的元数据表，并针对每个引导RNA单独处理对照文库，在涉及大量样本、多个引导RNA和不同编辑模式的实验中，这种工作流耗时且容易出错。此外，尽管CRISPResso2支持对照样本的整合以估计背景噪声，但对照归一化和下游统计解释 largely 仍依赖手动操作和特定实验定制，缺乏统一的、基于对照的统计噪声校正方法。基于这些挑战，研究人员开发了一种自动化的项目级分析框架，结合元数据驱动的样本组织、稳健的顺序执行以及基于对照的统计噪声建模，以提升大规模基因组编辑数据集分析的鲁棒性和准确性。
**2. 研究内容与总体结论**
研究人员构建了一个基于CRISPResso2的轻量级工作流，其核心设计包括：顺序且可恢复的样本执行机制，即每个样本独立处理，失败时从最后成功样本续跑；针对引物编辑特定失败的自动回退（fallback）策略；对照样本的自动整合与独立处理；以及从对照文库在定义编辑窗口内推导背景噪声模型。使用包含Cas9、碱基编辑和引物编辑的掺入（spike-in）数据集进行定量验证，结果显示，原生CRISPResso2系统性地高估突变频率（偏差1.5%–3.7%），而经噪声校正的估计值与真实值的偏差仅为0.1%–0.6%，且高掺入水平下未削弱真阳性信号。该框架支持多种编辑模式的项目级组织，并通过可配置标志和模块化元数据表降低输入复杂性，为大规模基因组编辑数据的分析与解释提供了灵活、容错且高精度的解决方案。
**3. 主要关键技术方法**
该工作流采用以下关键技术方法：依赖样本元数据表、引导序列注释表和参数配置表，自动扩展分析任务并生成模式特异的CRISPResso2命令；实现顺序执行与断点续跑机制以隔离运行故障；针对引物编辑失败样本，自动采用基于pegRNA结构的双引导Cas9分析回退策略；基于对照组数据构建位置特异性的背景噪声模型，对于三个及以上对照样本采用95% Clopper-Pearson置信区间上界作为阈值，对于一至两个对照样本则使用贝叶斯beta-二项模型，以全局背景分布作为先验并取后验95%分位数作为阈值；利用掺入数据集进行定量基准测试，掺入数据的背景来自真实实验的对照文库，通过掩盖原始序列并引入预定频率的突变、插入、删除和校正事件，同时保留原始测序噪声（质量分数、读长分布和深度）。测序数据来源于患者来源细胞的基因组编辑实验，进行靶向扩增子测序。
**4. 研究结果**
**4.1 异质性基因组编辑实验的自动化处理**
研究人员将该流程应用于包含CRISPR-Cas9、引物编辑和碱基编辑的多来源数据集。通过元数据表定义样本身份、引导RNA、编辑模式和项目标识，流程自动完成样本分析任务的扩展、FASTQ文件的检测及CRISPResso2命令的构建，实现了异质性编辑实验在统一项目框架下的处理，无需手动构造命令。为了评估噪声校正模块，研究人员在三种编辑模式下分别生成五个预定突变频率水平（Low、Med–Low、Med、Med–High、High）的掺入数据集，共15个样本，用以比较原生CRISPResso2输出、包装器噪声校正输出和已知真实值。
**4.2 引物编辑的模态感知处理与回退机制**
在引物编辑数据集分析中，原生CRISPResso2引物编辑模式因预测编辑扩增子与参考序列相同或比对错误而失败。针对这一情况，流程自动触发回退策略，即基于pegRNA结构推导出双引导Cas9分析：第一引导对应pegRNA间隔子序列，第二引导对应去除预期编辑后反向互补的pegRNA延伸序列，并独立分析后合并等位基因频率表，从而恢复引物编辑样本的等位基因水平结果。回退策略的成功应用使引物编辑样本的数据恢复得以实现。
**4.3 对照整合与噪声模型构建**
阴性对照样本（group＝0）被自动整合进背景估计。对照按项目和引导关联，若对照未指定引导，则扩展到同一项目中的所有引导。对照等位基因频率表被聚合，以估计每个项目、引导和基因组位置上的背景变异频率。当对照样本数为三个及以上时，噪声阈值定义为95% Clopper-Pearson置信区间上界；当对照样本数少于一至两个时，采用贝叶斯beta-二项过程，以全局对照背景频率分布作为先验，后验分布的95%分位数作为位置特异性阈值。每个项目–引导–位置的组合记录对照来源的平均背景频率、阈值和对照数量。
**4.4 噪声校正的变异过滤与编辑结果校正**
每个实验样本的变异在基因组位置层面聚合，与对应的项目-引导噪声模型匹配。将样本观察到的变异频率与对照来源的背景频率及阈值进行比较，超过阈值的变异被保留，未超过的则被排除。对于保留的位置，从观察频率中减去对照来源背景的下限（一至两个对照时为后验5%分位数，三个及以上对照时为95% Clopper-Pearson区间下限），得到噪声校正后的频率。随后重新计算编辑指标，包括总校正频率、校正后完美校正频率、校正后不完美校正频率、非预期编辑频率、置换/突变频率和插入/缺失频率。掺入数据比较表明，原生CRISPResso2系统性高估突变频率，例如引物编辑Low样本报告3.71%而真实值为0.3%；而噪声校正后各模态和各水平的估计值均在真实值的0.1%–0.6%范围内。对照数量的影响极小，从两个对照起估计值即趋于稳定。
**4.5 碱基编辑分析与位置噪声建模**
对于碱基编辑模式处理的样本，在编辑窗口内进行单核苷酸分辨率评估。编辑窗口从CRISPResso2输出重建并定位到扩增子上，确定可编辑位置。针对每个位置，计算所有突变频率、预期碱基转换频率以及预期转换占总突变的比例。同时为碱基编辑对照构建独立噪声模型，按项目、引导、窗口和位置聚合突变计数、预期替换和测序深度，生成包含编辑频率和噪声阈值的位置矩阵。
**5. 讨论与结论**
该工作流作为CRISPResso2的扩展层，而非替代品，保留了其序列分析引擎的功能，并添加了元数据驱动的执行层和下游后处理。与CRISPECTOR等工具的贝叶斯最大后验分类器相比，本框架专注于项目-引导匹配的对照和CRISPResso2扩增子分析，支持碱基编辑和引物编辑，但不过度建模对照间的异质性。讨论部分指出的局限性包括：对元数据准确性的依赖、噪声模型受对照样本数量和质量的影响、无法区分实验样本与未转染样本中共同存在的变异、引物编辑回退策略的多种限制（比对失败、短窗口定位歧义、不评估支架整合、原生PE输出不经过噪声模型、需要非空延伸序列、不产生原生PE图形），以及CRISPResso2过滤导致的轻微频率膨胀（偏差0.1%–0.6%小于原生工具的1.5%–3.7%）。此外，HDR和引物编辑读段不进行背景扣除，以避免去除真实生物学信号。研究结论指出，该工作流通过元数据驱动的执行、故障恢复、自动化对照整合和基于对照的噪声校正，显著降低了低水平非预期变异信号，为异质性扩增子测序数据集提供了容错处理和对照信息解读的额外分析层。
