COSIGT：基于pangenome graph从低覆盖度测序数据中对复杂基因座进行群体规模水平基因分型的方法

《Genome Biology》：COSIGT: population-scalable genotyping of complex loci from low-coverage sequencing data using pangenome graphs

　　

pangenome graph能够捕获广泛的结构多样性，但从浅层测序数据中解析复杂基因座仍然具有挑战性，尤其是当样本质量较低（如ancient DNA（aDNA，古DNA））时。研究人员提出了COSIGT（COsine SImilarity-based GenoTyper，基于余弦相似度的基因分型器），该方法通过cosine similarity将read-depth分布与haplotype path进行匹配来指定diploid genotype（二倍体基因型）。由于该度量评估的是相对 coverage profile而非绝对 read count，COSIGT在低覆盖度（1–2X）下显著优于现有的likelihood-based工具。研究人员展示了其对数千个现代和古代基因组的scalability，从而能够直接基于低覆盖度数据集开展稳健的population-scale复杂变异分析。

研究背景方面，结构复杂基因组区域包含多kb插入、缺失、重复和copy-number variation（CNV，拷贝数变异），单线性的reference genome无法代表这些基因座的allelic diversity，标准variant-calling流程也难以恢复structural haplotype。haplotype-resolved pangenome改善了read mapping与结构变异检测，但现有基于比对似然的方法（如Locityper）在覆盖度下降时信噪比退化，对low-coverage数据、biobank队列和aDNA（ancient DNA，古DNA）不利，因为aDNA常低于2X且受postmortem降解与微生物污染影响。因此，研究人员开展COSIGT研究，以解决低覆盖度下复杂基因座基因分型不准的问题。该研究发表于《Genome Biology》。

关键方法上，研究人员使用HPRC（Human Pangenome Reference Consortium）与HGSVC（Human Genome Structural Variation Consortium）的haplotype-resolved assembly构建locus-specific pangenome graph；用minimap2做haplotype重比对，impg做隐式pangenome查询与边界优化，PGGB构图，kfilt通过ROI-specific k-mer招募unmapped read，bwa-mem2或aDNA场景用bwa aln比对，gfainject投影到graph，gafpack计算node coverage vector；以cosine similarity匹配observed sample vector与synthetic diploid genotype vector。样本来自1000G、HPRCy1、HGSVCv3、Moli-sani队列及模拟aDNA。

Results and discussion

研究人员描述COSIGT流程：建局部pangenome graph、提取目标区reads并用k-mer救援unmapped reads、比对得到graph node traversal、构造haplotype与sample coverage vector、枚举所有diploid haplotype pair并取cosine similarity最高者。因cosine similarity衡量向量方向而非幅值，具coverage-invariant特性。

在326个CMRGs（challenging medically relevant genes，难检医学相关基因）与265个SVs（structurally variable regions，结构可变区）基准中，leave-zero-out下5X和30X两法均高质；30X时Locityper更优，但1–2X时COSIGT错误率更低，1X时93.4%达mid-or-higher quality而Locityper为84.5%。leave-all-out下真haplotype不在图中时，COSIGT仍达最大可获质量的87%以上。模拟aDNA的48个CMRGs中，1X时COSIGT约94% mid-or-higher而Locityper约46%，2X时95%对60%，且性能接近同覆盖度现代DNA。Moli-sani约20X的1085个样本HLA typing中，COSIGT单倍型精度89.5%，与专用工具T1K的90.8%相当。

Conclusions

研究人员指出，graph-based genotyping可解析线性参考掩盖的多kb等位基因；扩展到low-coverage可挖掘legacy dataset与archaeological sample。COSIGT用cosine similarity比较vector orientation而不依赖magnitude，在低于5X时多数基因座优于Locityper，对low-coverage aDNA和heterogeneous-depth biobank尤其有用，且兼容long-read input。局限在于依赖pangenome完整度，缺失haplotype会被赋给最相似可用haplotype；当前需pre-aligned BAM/CRAM，未来将支持FASTQ与haplotype subsampling。研究人员已将COSIGT用于6000余现代与古代人类基因组，证明其对complex repeats与multi-copy genes的population-scalable分析能力，降低测序成本并纳入aDNA与异质深度数据。

讨论总结为：COSIGT把复杂基因座基因分型从“依赖绝对覆盖度与比对似然”转向“比较相对覆盖剖面方向”，使shallow sequencing不再必然意味着低质量结构基因分型；其局部图、k-mer救援、cosine匹配共同降低了reference bias与深度敏感噪声。研究意义在于让pangenome reference中的allelic diversity可被low-coverage modern/aDNA队列常规利用，推动population genomics、pharmacogenetics与evolutionary genomics从高质量样本走向大规模异质样本。

结论部分翻译：

通过把变异表示为互连path，graph-based genotyping可准确解析线性参考模糊掉的多kb等位基因。将这些优势扩展到low-coverage sequencing具有变革性：它使研究人员能系统挖掘legacy dataset与archaeological sample，释放此前受浅测序深度与降解样本质量限制的comprehensive、population-level生物医学与进化分析。COSIGT通过解决当前基因分型方法的关键局限——在低测序深度保持准确性——直接实现这一转型。cosine similarity独立于幅值比较vector orientation，从而对coverage variation稳健。这在低于5X覆盖度最有价值，此时COSIGT在大多数基因座优于Locityper，显示其对low-coverage aDNA数据与深度可变大型biobank的特殊效用。该流程设计也兼容long-read input，可扩展到不足以组装的low-coverage long-read数据集。

一些局限值得考虑。基因分型精度取决于输入pangenome的质量与完整度：参考面板中不存在的haplotype无法被call出，新型structural variant会被赋给最相似可用haplotype。leave-all-out基准量化了该效应，显示当地面真值haplotype不在pangenome中时COSIGT仍恢复大部分最大可获精度。此外，COSIGT当前需要pre-aligned BAM/CRAM文件，引入对reference-based alignment的依赖。未来工作将通过支持direct FASTQ input与haplotype subsampling来维持pangenome增长下的scalability。

pangenome reference正快速在size、quality与taxonomic breadth上扩展。随着资源增长，限制因素从参考完整度转向scalable genotyping。研究人员已将COSIGT用于6000多个现代与古代人类基因组，证明对complex repeats与multi-copy genes的population-scalable分析。COSIGT对low-coverage的容忍支持更大cohort、更低测序成本、纳入ancient sample与分析heterogeneous depth数据集，使pangenome reference捕获的allelic diversity在整个测序深度范围内可用于routine genotyping。