基于pangenome的长读长结构变异检测与新样本快速图谱增广方法SVPG

《Nature Methods》：SVPG: a pangenome-based structural variant detection approach and rapid augmentation of pangenome graphs with new samples

　　

长读长测序（long-read sequencing）的突破为通过pangenome分析研究遗传变异带来前所未有的机会，然而能有效利用此类框架进行结构变异（structural variant, SV）检测的工具仍然有限。此外，随着样本数量增加，pangenome图的高效构建日益困难。研究人员提出SVPG，一种利用单倍型解析（haplotype-resolved）pangenome参考从长读长测序数据中进行准确SV检测和快速pangenome图增广的方法。与最先进SV调用工具相比，SVPG在不同测序技术和覆盖度下保持更优总体性能，在个体特有SV（包括罕见和体细胞SV）调用上也有明显提升。在20个样本的基准中，SVPG相较传统增广策略将pangenome图增广加速近十倍。结果表明，SVPG有望改进SV检测，并可作为推进pangenomic研究的有效工具。

研究背景方面，结构变异（structural variant, SV）指大于50 bp的DNA序列改变，包括插入、缺失、倒位、易位和重复，对表型变化、疾病机制和群体遗传多样性具有重要作用。传统SV检测依赖单一参考基因组，存在参考偏倚（reference bias），在高度多态区域和群体特异序列中降低检测可靠性。pangenome通过整合多个代表性个体基因组信息，可改善比对并提升SV检测，但现有工具多面向短读长或仅报告图外变异，且新样本整合常需昂贵从头组装（de novo assembly）与复杂图构建，计算负担随样本数超线性增长。

研究人员开展SVPG研究，提出兼具pangenome引导（pangenome-guided）与pangenome基础（pangenome-based）双模式的SV检测及图增广流程，利用单倍型解析pangenome参考提高种系SV精度、发现个体特有罕见SV与癌症体细胞SV，并将新检出的SV快速并入已有pangenome图。论文发表于《Nature Methods》。该研究说明pangenome资源可显著降低假阳性、提升跨样本一致性，并为群体规模pangenome迭代提供近十倍加速的实用方案。

主要关键技术方法上，研究人员使用GIAB（Genome in a Bottle）的HG002、三人家系与Q100基准，HPRC（Human Pangenome Reference Consortium）发布的20个非草案pangenome样本HiFi数据，HG008、COLO829、HCC1395肿瘤—正常队列；以minigraph做图比对与增广，hifiasm做从头组装对照，Truvari、minda及自定义脚本评估；模拟数据由PBSIM3基于66,197个罕见SV构建。方法核心为从BAM提取SV信号重比对至pangenome图，或从GAF直接作图感知SV信号，经聚类、分型与合并实现调用和增广。

研究结果部分，Overview of SVPG中，研究人员设计双模式：BAM输入对应pangenome-guided，GAF输入对应pangenome-based，共用基于聚类的精炼步骤并输出标准VCF。SVPG enables high performance SV calling on GIAB中，在HG002 Tier1与Q100基准上，SVPG的F₁在ONT与HiFi均居前，低覆盖度下仍高于0.90，在复杂区域、CMRG区域和Q100硬区域优于对比工具；三人家系中Mendelian不一致率最低。Benchmarking SV call consistency across replicates and samples中，通过下采样重复与20样本合并分析，SVPG重复不一致率最低，跨平台差异仅7.4%，高支持SV比例与HWE通过率最高。Pangenome-based rare SV calling performance assessment中，模拟与真实Q100罕见SV显示SVPG的F₁优于miniSV，并能检出与Alu、LINE1、SVA等重复元件相关的个体特有SV。Pangenome-based somatic SV calling performance assessment中，在HG008、COLO829与HCC1395中，SVPG体细胞SV的F₁与召回领先，假阳性少于线性参考工具，但部分体细胞SV因已存在于pangenome图而被漏报。Rapid pangenome graph augmentation from SVPG’s graph-called SVs中，SVPG-AUG较hifiasm-AUG在20样本上耗时从约3天降至0.5天，气泡区域高度重叠，能在组装失败区加入143 bp插入等新节点，增广图比对覆盖与SV调用表现不低于原图。

讨论部分总结，研究人员指出SVPG突破线性参考限制，用pangenome先验强制调用常见SV并保留个体事件敏感性；pangenome-based模式可在单样本水平发现罕见SV，免于群体规模数据支撑；体细胞SV检测因pangenome背景而精度更高，但也揭示现有癌症SV基准可能混入种系来源变异。图增广方面，基于比对的方法近十倍降本提速，但受多工具流水线误差影响。未来需改进复杂串联重复图表示与局部组装精度。随HPRC扩展到数千单倍型，SVPG在SV检测与图维护中具持续价值。

研究结论部分翻译：本研究介绍SVPG，一种将pangenome信息引入长读长测序SV检测的方法。与传统长读长SV调用依赖线性参考不同，SVPG利用pangenome引导先验强制调用并注释广泛常见SV，同时保留对样本特有事件的高灵敏度。研究人员显示SVPG持续优于现有最先进方法，无偏重复实验与跨样本分析进一步突出其在群体尺度上更强的调用一致性和更少假阴性。这些发现不仅验证pangenome资源在SV检测中的潜在重要性，也为该领域未来发展提供有前景的方向。此外，SVPG的pangenome-based模式支持从pangenome图进行de novo SV检测，为罕见SV发现提供新视角，并在单样本水平借助pangenome中嵌入的群体变异信息实现高灵敏准确检测，对疾病相关变异和个体表型机制研究具有重要意义。SVPG还证明pangenome可显著增强体细胞SV这一特殊罕见SV类的检测；该优势可扩展至个性化或群体特异pangenome，以更全面了解样本基因组背景来识别癌症特异变异。图增广探索表明，基于图比对的增广与从头组装增广高度一致，且在20样本上将构建时间降低近十倍，样本越多优势越大；在数据质量或成本受限时，SVPG是群体水平pangenome增广的可扩展替代方案。尽管存在复杂区域对齐与多工具误差等挑战，随着pangenome参考扩展到数千单倍型，SVPG的高准确性与通用性将使其在全基因组分析流程中发挥越来越重要的作用。