《Cancer Informatics》：GATES: A Lightweight Tool Automating Pathogenic Variant Discovery From Raw Whole-Exome Sequencing Data
编辑推荐：
背景：全外显子组测序是一种广泛用于识别癌症致病性变异的技术。尽管测序本身已变得日益可及，但下游分析仍计算复杂，对许多研究人员构成挑战。现有流程缺乏对体细胞和胚系变异检测的集成支持，并且仍需要大量计算资源。方法：研究人员开发了GATES（GATK Automat
背景：全外显子组测序是一种广泛用于识别癌症致病性变异的技术。尽管测序本身已变得日益可及，但下游分析仍计算复杂，对许多研究人员构成挑战。现有流程缺乏对体细胞和胚系变异检测的集成支持，并且仍需要大量计算资源。方法：研究人员开发了GATES（GATK Automated Tool for Exome Sequencing），这是一种轻量级流程，通过简化的命令行界面，直接从原始双端FASTQ文件自动化数据预处理、变异检出和变异注释。GATES实现了GATK Best Practices用于体细胞和胚系变异检测，并利用Ensembl的Variant Effect Predictor进行功能注释，以人类可读的制表符分隔值（TSV）文件输出结果。研究人员使用SEQC-II基准数据集评估了该流程的性能，并利用一份携带已知致病性胚系和体细胞变异的临床样本展示了其应用。结果：GATES在标准笔记本电脑上运行，在数小时内完成每份样本的端到端变异分析。在SEQC-II样本的基准测试中，胚系和肿瘤-正常配对体细胞变异检出模式与其各自的真实集显示出高度一致性。仅肿瘤体细胞模式显示准确性降低，与预期的胚系污染一致。GATES在各种硬件配置下均表现出高性能，并与已建立的nf-core/sarek流程相比同样表现出高性能。GATES还成功在7小时内完成了一份>100X临床样本的体细胞和胚系分析。重要的是，该流程准确地将已知KRAS p.G12V和KEAP1 p.S338L分别区分为体细胞和胚系变异。结论：通过降低外显子组测序分析的技术门槛，GATES为具有或不具有计算专业知识的研究人员提供了一种实用的致病性变异发现解决方案。
全外显子组测序（Whole-Exome Sequencing, WES）是癌症基因组学中识别致病性变异的重要技术。尽管测序成本不断下降，但下游数据分析仍依赖复杂且计算密集的多步骤流程，这阻碍了许多研究人员有效利用WES数据。现有分析工具要么仅支持常规WES处理而不支持肿瘤-正常配对分析及体细胞变异检出，要么仅专注于体细胞变异而缺乏胚系变异检测能力，并且普遍依赖高性能计算基础设施。此外，基于web的平台虽提升了可访问性，但存在数据安全与传输限制。因此，亟需一种便携、端到端、同时支持胚系和体细胞变异发现的WES分析流程。
针对上述需求，研究人员开发了GATES（GATK Automated Tool for Exome Sequencing），一个轻量级、模块化的计算流程，能够从原始双端FASTQ文件自动完成预处理、变异检出和变异注释，并输出人类可读的制表符分隔值（TSV）文件。GATES遵循GATK Best Practices，采用Ensembl Variant Effect Predictor（VEP）进行功能注释，可通过标准macOS或Linux笔记本电脑运行。该研究成果发表于《Cancer Informatics》。
在技术方法上，GATES由三个模块构成：预处理模块使用fastp进行质控与接头修剪，BWA-MEM比对至参考基因组，SAMTools转换格式，GATK的MarkDuplicatesSpark标记重复、BaseRecalibrator校正碱基质量，并用mosdepth和MultiQC统计质量指标；变异检出模块支持肿瘤-正常配对体细胞、仅肿瘤体细胞和胚系三种模式，分别使用Mutect2和HaplotypeCaller，并按GATK建议进行过滤；注释模块采用VEP注释变异，并基于1000 Genomes Project Phase 3和gnomAD v4.1.0等群体频率数据库过滤常见多态。验证中使用了SEQC-II基准数据集（来自HCC1395和HCC1395BL细胞系的12个高覆盖度WES重复样本）以及一名儿童甲状腺乳头状癌患者的临床样本，并与nf-core/sarek流程进行了比较。
GATES Pipeline for Automated WES Analysis（自动化WES分析的GATES流程）：研究人员创建了包含三个分析模块的GATES流程，用户只需提供FASTQ文件、参考基因组FASTA、外显子捕获区间文件和注释缓存文件，其余所需文件自动下载。该流程可在本地离线运行，conda环境在不同系统上的解析时间有所差异，并提供Docker镜像。这一结果表明GATES设计为易于安装和便携式操作。
Benchmarking With SEQC-II WES Dataset（使用SEQC-II WES数据集进行基准测试）：SEQC-II数据集包含三阴性乳腺癌细胞系HCC1395及其匹配正常B淋巴细胞系HCC1395BL的12个高覆盖度WES重复。研究人员对每个重复运行GATES，分别以肿瘤-正常体细胞、仅肿瘤体细胞和胚系模式进行变异检出，并与SEQC-II真实集比较。结果显示，胚系和肿瘤-正常模式在所有重复中均与真实集高度一致；仅肿瘤体细胞模式精度和灵敏度最低，约四分之一检出变异存在于胚系真实集中，提示存在胚系污染。分析时间随测序深度线性增加，但所有模式均在数小时内完成端到端分析。增加CPU和内存可显著缩短预处理时间，但对变异检出时间影响不大。与nf-core/sarek相比，GATES在相似的F1分数下显著缩短了变异检出时间。此结果表明GATES在准确性和速度上具有优势。
Analysis of Pediatric Papillary Thyroid Cancer Sample（儿童甲状腺乳头状癌样本分析）：为验证实际应用效能，研究人员对一名携带已知体细胞KRAS p.G12V（c.35G>T）和胚系KEAP1 p.S338L（c.1013C>T）突变的儿童甲状腺乳头状癌患者的肿瘤和邻近正常组织进行WES分析。肿瘤平均深度139X，正常168X，在标准MacBook Pro上完成全部处理耗时6小时51分钟。经>1%等位基因频率过滤后，GATES检出5个体细胞和369个胚系非同义变异。体细胞变异集中正确包含KRAS p.G12V，而KEAP1 p.S338L仅出现在胚系变异集，从而准确区分了两种变异类型。这证明GATES能有效识别和分类已知致病性体细胞与胚系变异。
讨论部分：GATES的模块化设计允许用户灵活运行单一模块或多种变异检出模式，预处理生成的BAM文件可复用。其基于Bash的脚本透明易改，便于有经验用户定制。GATES不依赖互联网，支持敏感数据离线分析，通过conda环境简化安装。在SEQC-II验证中，仅肿瘤体细胞模式受胚系污染限制，文中建议不推荐用于准确体细胞检出，但GATES仍遵循GATK Best Practices支持该模式。与nf-core/sarek相比，GATES流程更简化。研究人员承认GATES主要面向小规模WES研究，不支持拷贝数变异或复杂结构变异。因此，GATES是一个适用于小规模研究、试点项目和探索性分析的实用工具。
结论部分：本研究提出了GATES，一个能够从原始FASTQ文件到过滤和注释变异实现端到端自动化WES分析的轻量级软件包。借助GATES，WES分析可在标准笔记本电脑或桌面系统上执行。针对SEQC-II参考数据集的基准测试显示，GATES与既有真实集高度一致，并在缩短分析时间的同时达到与现有WES流程相当的性能。对临床儿童甲状腺癌样本的应用进一步证实了其对已知体细胞和胚系致病性变异的准确识别与分类。尽管设计用于小规模研究且仅限于短变异检测，GATES降低了WES分析的技术门槛，为不同研究环境中的致病性变异发现提供了可及、便携的解决方案。
