《BMC Methods》：WEAP: an automated and accelerated pipeline for analyzing large scale whole exome sequencing data
编辑推荐：
背景(Background)：全外显子组测序(Whole-exome sequencing, WES)常用于鉴定人类基因组编码区的单核苷酸多态性(Single nucleotide polymorphisms, SNPs)，具有广泛的临床应用。由于WES数据分
背景(Background)：全外显子组测序(Whole-exome sequencing, WES)常用于鉴定人类基因组编码区的单核苷酸多态性(Single nucleotide polymorphisms, SNPs)，具有广泛的临床应用。由于WES数据分析是高度耗时的任务，自动化是简化并使数据分析直观化的关键。方法(Methods)：全外显子分析流程(Whole Exome Analysis Pipeline, WEAP)的工作流始于FASTQ文件比对至参考基因组、变异识别(Variant calling)及注释，全程无需用户干预。WEAP采用基因组分析工具包(Genome Analysis Toolkit, GATK)工作流，整合了流行的NGS分析工具如bwa-mem2、samtools、GATK、bcftools及annovar，并结合GNU parallel实现并行化。结果(Results)：WEAP成功识别并注释了种系(Germline)及体细胞(Somatic)变异。在种系变异发现中，比对至参考基因组、文件转换及去除重复序列等主要步骤，并行模式比串行模式快1.5至3.6倍（基于4个样本）。在肿瘤分析中，由40个样本创建正常组织对照集(Panel of Normals, PoN)时并行模式约快3倍；仅肿瘤(Tumor-only)分析中各步骤加速比为1.4至7.7倍；肿瘤与配对正常组织比较时，处理时间显著缩短，整体加速1.8至3.6倍。讨论(Discussion)：WEAP能够以自动化方式从无WES数据中执行无误的变异识别。WEAP利用gnu parallel对多个样本逐一处理，同时发挥所集成工具自身的原生并行处理能力以加快分析速度。并行模式与串行模式的对比显示，WEAP整合了金标准GATK最佳实践工作流，可作为WES数据端到端分析的最佳替代工具之一。
论文解读：WEAP——基于GATK最佳实践的WES全自动并行分析流程
《BMC Methods》2026年刊登的此篇论文，介绍了研究人员开发的一款名为WEAP（Whole Exome Analysis Pipeline）的开源自动化全外显子组测序(Whole-exome sequencing, WES)数据分析流程。
研究背景
WES被广泛用于鉴定蛋白质编码区的遗传变异，在临床基因组学和疾病关联研究中具有重要地位。然而，传统NGS（Next-Generation Sequencing）数据分析包含质控、比对、去重、碱基质量重校准(Base Quality Score Recalibration, BQSR)、变异识别(Variant calling)及注释等多步繁琐流程，通常需具备专业生物信息学知识且耗时极长。虽然Illumina DRAGEN和NVIDIA Clara Parabricks可加速分析，但其高昂授权费及硬件要求限制了普及；Galaxy等在线平台则受限于存储空间难以应对大样本队列的联合基因分型(Joint genotyping)。此外，多数现有自动化流程不支持肿瘤-正常配对(Tumor-Normal paired)体细胞变异识别。因此，研究人员开展了此项研究，旨在构建一个遵循GATK最佳实践、无需用户干预、支持Germline与Somatic分析且利用普通Linux服务器并行计算资源显著提速的开源流程WEAP。
主要关键技术方法
研究人员采用开源组件构建WEAP流程：使用bwa-mem2将双端 reads 比对至hg38参考基因组；samtools进行SAM/BAM格式转换与坐标排序；Picard MarkDuplicates标记PCR重复；GATK(v4.5.0.0) HaplotypeCaller执行种系变异识别（gVCF模式、Joint genotyping及Variant Quality Score Recalibration, VQSR）；GATK MuTect2执行体细胞变异识别（支持Tumor-Only及Tumor with Matched Normal模式，结合Panel of Normals, PoN及胚系资源af_only_gnomad过滤，FilterMutectCalls过滤假阳性）；ANNOVAR进行基因及功能注释（RefSeq、dbSNP150、ClinVar、gnomAD_exome、COSMIC等）。流程通过GNU Parallel默认同时运行4个任务（比对用16线程/样本，共占用64线程处理4样本；变异识别各任务4线程，共16线程），自动推荐CPU线程数，最大内存设为8 GB。测试数据来源于Illumina NovaSeq 6000测序的胃癌患者血液、肿瘤及癌旁正常组织WES数据（~100×），其中4例用于Germline及Somatic流程验证，40例正常血样用于构建PoN。
研究结果
Introduction
研究人员阐述了WES在临床诊断及癌症基因组学中的价值，指出当前分析工具复杂、耗时且缺乏兼顾自动化与GATK最佳实践尤其是体细胞分析的免费流程，由此引出开发WEAP的必要性。
Results
WEAP成功从血液DNA和肿瘤组织DNA的修剪后FASTQ文件中识别并注释了种系和体细胞变异。
在种系(Germline)变异识别中，并行模式相比串行模式时间显著缩短：参考基因组比对约2倍，SAM-to-BAM转换与坐标排序、去重分别加快，BQSR快1.5倍，变异识别(Variant calling)快3.6倍，变异注释快3倍；gVCF合并及VQSR因GATK不支持并行故未并行化。
在体细胞(Somatic)变异识别中，使用40例血样构建PoN VCF，串行耗时402,900秒，并行耗时130,711秒，约快3倍。Tumor-Only模式下，比对快2.3倍、SAM-to-BAM 1.7倍、排序2倍、去重3.4倍、变异识别3.3倍、变异过滤7.7倍、注释1.4倍。Tumor with Matched Normal(TWM)模式下，比对平均快2.6倍、SAM-to-BAM 1.8倍、排序2.2倍、去重3.4倍，MuTect2变异识别快3.6倍，变异过滤快4.1倍，注释快2.9倍。4例种系分析总耗时从5小时58分缩至3小时16分（减少45.25%）；40例PoN构建从111小时55分缩至36小时18分（减少67.56%）；Tumor-Only模式从15小时28分缩至4小时55分（减少68.17%）。
Discussion
WEAP通过整合bwa-mem2、GATK HaplotypeCaller/MuTect2及ANNOVAR，遵循GATK最佳实践实现Germline与Somatic全流程自动化，区别于仅支持Germline的早期工具（如SeqMule）。GATK基于概率模型及硬过滤/机器学习过滤提高准确性，MuTect2结合PoN和胚系资源可有效降低假阳性。尽管DeepVariant等新兴工具在某些基准测试中表现优异，GATK仍为主流且具可调参数优势。WEAP当前版未支持任务暂停与续跑，最优运行环境为Linux(Ubuntu 20.04+)或Windows 10/11下WSL，需中高端计算配置。未来计划引入DeepVariant、Nextflow重构工作流、添加拷贝数变异(Copy Number Variation, CNV)分析及线粒体基因组SNP识别模块。
结论总结
研究人员得出结论：WEAP是一款开源自动化WES分析流程，整合最新bwa-mem2及GATK(v4.5.0.0)最佳实践，支持Germline、Tumor-Only及Tumor-Normal paired Somatic变异识别与注释。通过GNU Parallel实现多样本并行处理，相较串行模式可将分析时间缩短最高达70%以上（并行加速比1.4–7.7倍），显著提升大规模WES数据的处理效率并降低人为操作误差，适合无深厚生物信息学背景的研究人员在标准Linux环境中开展临床或科研级变异分析。
