1. 从有没有变异到变异在哪里WGS的核心定位做了几年生信被问得最多的一个问题就是WGS到底比靶向测序比如全外显子组测序WES、Amplicon panel强在哪很多刚接触测序数据的同学把WGS等同于测得更深、更贵、数据量更大这个理解不能说错但没有触及WGS真正改变分析思路的地方——WGS是唯一一种以全基因组为对象、不依赖探针捕获、能够同时覆盖编码区和非编码区的测序策略。这句话听起来像概念搬运实际落地之后你会发现它改变了整个分析流程的设计逻辑。先说说WGS能干什么。单核苷酸变异SNV和小片段插入缺失InDel是最常见的诉求这跟WES重叠但WGS还有三个典型的差异化价值结构变异SV的检测灵敏度远超WES因为SV的断裂点往往落在内含子或基因间区探针捕获根本拉不到拷贝数变异CNV的断点分辨率可以做到更精细尤其对肿瘤样本WGS数据能直接推导出等位基因特异性拷贝数allele-specific copy number这是WES很难实现的另外就是非编码区的调控变异这类位点以前被当作垃圾现在越来越多的功能研究和临床解读开始关注它们。所以如果你手里已经有WGS数据接下来这篇内容会完整走一遍从原始数据到变异解读的分析链路如果你还在纠结要不要上WGS我也会给出选型层面的判断依据。这里默认覆盖度为30x左右的标准人全基因组测序数据这是目前科研和临床最常用的配置。2. 建库、上机到数据产出真正影响结果质量的环节很多教程直接从fastq开始讲似乎测序数据是天上掉下来的。但根据我这些年经手的项目来看至少30%的分析问题和上游建库上机直接相关——接头污染、duplication偏高、碱基质量掉底、GC偏好性这些在QC阶段才暴露的问题根子都在实验环节。生信人员至少要理解上游流程才知道哪些问题能通过分析手段修正哪些必须返回去重新测序。2.1 Illumina与华大平台的建库差异主流的WGS建库思路都是DNA片段化 → 末端修复 → 加A尾 → 连接接头 → PCR扩增可选 → 上机测序。但Illumina和华大DNBSEQ两个平台在关键技术路线上有本质区别。Illumina用的是桥式扩增bridge amplificationDNA片段两端连接Y型接头后通过flow cell表面固定的寡核苷酸链进行局部扩增形成DNA簇cluster。DNBSEQ则是把连接好接头的环化DNA通过滚环扩增RCA生成DNA纳米球DNB吸附到阵列芯片上。DBN技术有一个天然优势每个DNB只占一个位点信号点是单拷贝测序过程不会累积错误Illumina的cluster是同步扩增的虽然信号强度更高但扩增错误会堆叠。这个差异直接反映在数据上DNBSEQ平台的duplication rate普遍更低且对高GC区域有更好的覆盖均匀度。工业界的经验值是同一样本用DNBSEQ跑出来的有效数据比例通常比Illumina高出几个百分点。2.2 PCR-free建库带来的数据变化PCR-free无PCR扩增是当前WGS建库的主流做法。它跳过PCR步骤直接上机保留原始DNA分子的多样性。传统建库中的PCR有几个副作用高GC区域扩增效率低导致覆盖偏倚重复序列被指数级放大的概率变高PCR聚合酶的碱基错误被复制进最终数据。做全基因组测序理论上不需要扩增这一步来达到足够的信号强度所以PCR-free在WGS项目里几乎成了默认选项。需要注意的是PCR-free对起始DNA质量和总量要求更高。一般建议总量500ng以上、OD260/280在1.8-2.0之间、无明显的RNA污染。如果你的样本是FFPE或者微量DNA做不了PCR-free就只能走有PCR的流程。这时候后续分析中的MarkDuplicate步骤就变得格外重要。2.3 测序深度、读长与数据量的换算30x WGS的标准含义是人类基因组约3.1Gb30x意味着需要约93Gb的有效数据mappable bases。但注意有效两个字——实际获得的总碱基数会高于这个值因为存在read比对不上、duplicate、quality cutoff之后被过滤掉的部分。平台选型层面有一个比较实用的对照表平台读长单端reads量(约)30x所需数据量典型运行时间Illumina NovaSeq XPE150可灵活配置约1Tb约2天DNBSEQ-T7PE150可灵活配置约1Tb约1-2天MGI DNBSEQ-G400PE150中等通量约300-600Gb约2天PacBio HiFi15-25kb长读覆盖度更密集约20x即可数小时-1天如果你有30x左右的WGS fastq数据通常的文件体积是fastq.gz约60-80GB每个样本。PE150是当前WGS最标准的读长配置PE100也能做但后续处理SV和短片段InDel时能明显感觉到差异。3. 从fastq到BAM的三级跳比对、排序去重、碱基质量校正拿到下机数据之后真正的生信分析流程从这里开始。整个数据预处理的核心目标是把测序read对齐到参考基因组上标记出质量可疑的重复片段并校正系统性的碱基质量误差。每一步的产出都会作为下一步的输入所以这部分的稳妥程度决定了后面变异检测的可靠性。3.1 第一步原始数据QC用fastp或FastQCMultiQC组合对fastq做质控重点看几个指标每条read的平均碱基质量Q30百分比、GC含量分布、接头残留率、重复率、插入片段长度分布。对于WGS数据Q30比例一般应达到85%以上。如果接头残留超过5%建议用fastp的先截后滤策略做一次轻量清洗。值得提醒的是现在的WGS测序服务商交付的数据通常已经做过demultiplex和adapter trimming但依然是通常不能默认。我自己有个习惯不管供应商说处理过没有拿到数据永远先跑一遍fastp确认接头情况。3.2 第二步BWA-MEM比对比对是决定后续变异检出精度的关键一步。WGS短读长比对的标准工具是BWA-MEM或它的更新版BWA-MEM2它将每个read与参考基因组比对输出SAM/BAM格式的比对结果。命令大致是# 建立索引人基因组约3.1Gb需要约5-10分钟 bwa index -a bwtsw GRCh38.fa # 比对并转为BAM bwa mem -t 32 -R RG\tID:sample1\tSM:sample1\tLB:lib1\tPL:illumina GRCh38.fa sample1_R1.fastq.gz sample1_R2.fastq.gz \ | samtools view -bS - sample1.raw.bam-R参数指定read group这一段很多人会忽略但后续GATK流程判断样本身份和合并多lane数据时都依赖它绝对不能省。如果同一份DNA在多个lane/多个flow cell上测了这一步不写清楚后面合并时会有大麻烦。人全基因组的比对速度大约为单线程每小时几百Mb到1Gb实际取决于机器CPU。用32线程跑一份30x WGS通常需要40分钟到1.5小时。比对阶段是最耗CPU的步骤之一建议用高性能计算节点或者云上CPU密集实例。3.3 第三步排序与MarkDuplicate比对后的BAM文件需要按参考基因组坐标排序这一步用samtools sort。然后标记PCR或光学重复duplicate reads。WGS项目中duplication率一般在5%-15%之间具体受建库质量和测序Cluster密度影响。samtools sort - 16 -m 2G sample1.raw.bam -o sample1.sorted.bam # 标记重复 picard MarkDuplicates \ Isample1.sorted.bam \ Osample1.markdup.bam \ Msample1.markdup_metrics.txt \ REMOVE_DUPLICATESfalse关于MarkDuplicates的REMOVE_DUPLICATESfalse是行内默认配置。为什么标而不删因为GATK HaplotypeCaller会在变异检测时基于概率模型处理duplicates信息直接删除会在覆盖度低的区域引入额外的偏差。这些细节做管线设计时牵一发动全身最好一开始就按社区最佳实践来。3.4 第四步BQSR碱基质量校正BQSRBase Quality Score Recalibration碱基质量值校正解决的是测序仪对碱基质量分数的系统性偏差问题。Illumina和DNBSEQ的base quality常常受测序循环数、dinucleotide上下文等因素影响会导致质量分数与实际错误率不一致。GATK BQSR分两步# 第一步基于已知SNP位点计算校正模型 gatk BaseRecalibrator \ -R GRCh38.fa \ -I sample1.markdup.bam \ --known-sites dbsnp_146.hg38.vcf.gz \ --known-sites Mills_and_1000G_gold_standard.indels.hg38.vcf.gz \ -O sample1.recal.table # 第二步应用校正模型 gatk ApplyBQSR \ -R GRCh38.fa \ -I sample1.markdup.bam \ --bqsr-recal-file sample1.recal.table \ -O sample1.recal.bamBQSR对生殖系变异检测的最终结果提升不是天翻地覆但对低频突变、尤其等位基因频率在5%以下的位点影响就体现出来了。肿瘤样本做低频变异检测时BQSR这一步绝不能跳过。4. 变异检测的核心逻辑GATK HaplotypeCaller与多样本联合分析处理完BAM之后就是变异检测。GATK HaplotypeCaller是当前全基因组SNV/InDel检测的社区标准它比早期流程的统一基因分型UnifiedGenotyper在InDel附近的准确性有了质的提升。4.1 HaplotypeCaller的算法逻辑HaplotypeCaller不是简单地看单个碱基位置上有没有不一致而是采用**局部重新组装local reassembly**策略在候选变异区域把所有覆盖该区域的reads提取出来做De Bruijn graph组装构建出该区域可能的单倍型再把每个read与这些单倍型进行比对用概率方法判断哪个位点更可能是真实变异。这个设计的好处是在InDel附近传统逐位点比较会被reads的比对歧义弄得很痛苦而HaplotypeCaller直接绕过了这个问题——它能直接确定整个InDel的具体序列和边界。代价是计算量显著增加。单样本变量检测命令gatk HaplotypeCaller \ -R GRCh38.fa \ -I sample1.recal.bam \ -O sample1.g.vcf.gz \ -ERC GVCF这里用-ERC GVCF模式产出的是gVCF文件记录每个位点的参考比对的基因型信息。若你只测了一个样本直接用-O sample1.vcf.gz也行但项目可能有后续新增样本gVCF的产出可以方便做joint calling强烈建议从一开始就按gVCF流程做。4.2 Joint Calling与单样本Calling的差异基因组测序项目中如果同时有多个样本比如一个家系、一个队列最佳实践是分别对每个样本产出gVCF然后统一用GenomicsDBImport合并再做joint genotyping。这样做的好处可以把所有样本一起对比参考序列对低覆盖度位点的基因型判断更稳也便于发现某些样本特异的低频信号。# 建立genomicsdb gatk GenomicsDBImport \ -V sample1.g.vcf.gz -V sample2.g.vcf.gz -V sample3.g.vcf.gz \ --genomicsdb-workspace-path my_database \ -L intervals.list # 联合基因分型 gatk GenotypeGVCFs \ -R GRCh38.fa \ -V gendb://my_database \ -O cohort.vcf.gz需要注意-L intervals.list这个参数GenomicsDBImport默认不接受没有interval的输入你需要准备一个包含全部染色体的区间文件比如从参考基因组的dict文件生成的chr1-22、chrX、chrY、chrM的列表否则这步会直接报错。单样本calling适合家系中先验样本数量少、不考虑横向比较的情况。但从管线可维护性的角度我个人的选择是只要数据量超过5个样本就一律走gVCFjoint calling后面无论追加样本还是下游新分析都留有余地。4.3 VQSR还是硬过滤得到原始VCF之后面对的问题是怎么把假阳性过滤掉。行内有两个主流方案VQSRVariant Quality Score Recalibration和硬过滤hard filter。VQSR的思路是利用高置信度的已知变异位点如HapMap、1000 Genomes、dbSNP作为训练集用高斯混合模型对变异位点的多个特征如QD、FS、MQ、MQRankSum等打分然后根据敏感度/特异性权衡取阈值。它需要至少30个样本来训练模型否则容易出现过拟合。样本数不够时走硬过滤更稳妥。硬过滤常用参数源于GATK best practice大约是# SNV硬过滤 gatk VariantFiltration \ -V raw.vcf.gz \ -filter QD 2.0 --filter-name QD_fail \ -filter FS 60.0 --filter-name FS_fail \ -filter MQ 40.0 --filter-name MQ_fail \ -O filtered_snps.vcf.gz # INDEL硬过滤 gatk VariantFiltration \ -V raw_indel.vcf.gz \ -filter QD 2.0 --filter-name QD_fail \ -filter FS 200.0 --filter-name FS_fail \ -O filtered_indels.vcf.gz关于这个阈值有两点经验想说QD2.0比较保守适合追求特异性的场景如果你更看重敏感度比如做罕见病研究担心漏掉真变异可以把QD阈值适当提高到2.5-3.0之间。FSFishers strand bias是衡量正负链支持是否均衡的指标InDel的阈值比SNV高出一大截就是因为InDel在链偏倚上天然比SNV更容易看起来不平衡直接照搬SNV阈值会把大量真实InDel过滤掉。5. 变异注释与下游解读从VCF到可用的生物学结论到这里变异已经拿到了但一堆坐标和等位基因信息对生物学研究人员来说还不够——它们需要被翻译成人话和生物学意义。VCF中的位点需要注释到基因、转录本、氨基酸变化、人群频率数据库、致病性数据库等这才是临床和科研真正依赖的信息。这一步也最容易看出一个生信人对数据闭环的把握能力。5.1 常用注释工具ANNOVAR与VEP目前WGS变异注释的标配工具是ANNOVAR和Ensembl VEP。两者功能相似但各有长短。ANNOVAR的优势在于它的数据库体系非常成熟注释结果简洁清晰对大批量VCF的注释速度也快。用法大致是table_annovar.pl sample.vcf \ humandb/ \ -buildver hg38 \ -out sample.annovar \ -remove \ -protocol refGene,cytoBand,exac03,gnomad211_exome,gnomad211_genome,clinvar_20221231,avsnp150,dbnsfp41a \ -operation g,r,f,f,f,f,f,f \ -nastring . \ -vcfinput注意-protocol里包含了refGene基因注释、cytoBand染色体区带、gnomAD人群频率、ClinVar临床意义、dbSNP常见位点、dbNSFP功能预测等数据库。其中的-nastring .参数让注释不到的字段填充一个.而不是留空这个对下游筛选极其有用因为留空字符和.在Excel中的行为完全不同。VEP的优势在于注释字段更标准和Ensembl数据库更新同步还支持自定义插件如SpliceAI、CADD等。如果你做的是面向临床解读的项目建议VEP为主、ANNOVAR交叉验证。5.2 注释字段里最容易被忽略的几个信息点很多刚入门的人注释完就直接按ExAC/gnomAD频率 0.01筛变异这个思路没问题但会漏掉几个重要维度。CADD/PolyPhen/SIFT等功能预测这些分数不是真相而是基于不同算法模型对变异的破坏性预测。它们容易误导人因为它们对同一个位点的判断经常不一致我的习惯是把这几个分数放一起看而不是依赖单一分数。剪接区域变异WGS可以覆盖到内含子与剪接位点这一部分对临床意义极大。约15%的致病性点突变发生在剪接供体/受体位点——这些位点在WES上往往覆盖很差而在WGS中可以稳定检测到。非编码区的调控注释如ENCODE的候选顺式调控元件cCREs、Roadmap的表观遗传标记这些对解释非编码区变异非常关键。目前对非编码区变异的解读仍处于早期但使用RegulomeDB或者OpenTarget Genetics等工具查找还是很有帮助。5.3 结构变异与拷贝数变异的检测思路WGS的结构变异检测是它的核心优势。工具选择上常用的有Manta侧重InDel和SV的breakpoint精确定位、DELLY支持deletion、duplication、inversion、translocation四类经典SV、Lumpy利用split-read和read-depth进行综合检测。实际操作中大家通常会合并多个工具的预测结果而Manta是这里面灵敏度与精度平衡较好的标准选择。CNV分析通常是利用覆盖度read depth推断拷贝数常用工具是CNVkit、Sequenza或PureCN。对于肿瘤WGS样本结合BAM的等位基因频率和杂合性丢失LOH信息可以推导更复杂的allele-specific拷贝数PureCN和ASCAT是其中的代表。对于生殖系样本如果有正常对照配对则CNVkit更适合研究。6. 肿瘤WGS的特殊处理纯度、倍性与克隆结构肿瘤样本的WGS分析分析难度完全不是一个量级。肿瘤组织里混着正常细胞肿瘤细胞内部还有亚克隆subclones每个亚克隆的拷贝数和变异谱又不一样。如果不做纯度/倍性估计后续变异检测、CNV推断、克隆结构分析都会失真。6.1 纯度与倍性估计对检测的影响肿瘤样本中如果肿瘤细胞占比只有40%——也就是说变异等位基因频率VAF理论上限是0.2纯合变异或0.1杂合变异——此时直接套用生殖系的变异检测阈值就会漏掉大量真正的体细胞突变。所以第一步是估计肿瘤纯度purity和倍性ploidy。工具层面Sequenza通过分析BAM的B-allele frequencyBAF和read depth的比值来估计纯度和倍性输出肿瘤基因组每个染色体臂的拷贝数状态ASCAT同样是基于BAF和LRRlog R ratio做估计。这类工具输出的绝对拷贝数total copy number与major/minor allele count比单纯的相对拷贝数更有价值你可以直接从结果中判断某个片段是杂合性缺失LOH还是等位基因不平衡。6.2 体细胞变异检测的配对分析肿瘤WGS的体细胞变异检测必须要有配对正常样本通常是外周血或癌旁组织否则无法区分种系固有变异和肿瘤特有变异。Musical架构下Mutect2是最常用的体细胞SNV/InDel检测工具它通过tumor-normal配对模型将正常样本中存在的变异从肿瘤样本中扣除同时利用panel-of-normalsPoN校正批次性测序错误。gatk Mutect2 \ -R GRCh38.fa \ -I tumor.bam \ -I normal.bam \ -tumor TUMOR_SAMPLE_NAME \ -normal NORMAL_SAMPLE_NAME \ --germline-resource af-only-gnomad.hg38.vcf.gz \ --panel-of-normals pon.vcf.gz \ -O tumor_normal_m2.vcf.gz--panel-of-normals和--germline-resource这两个输入文件对过滤测序平台系统错误意义重大。PoN能显著压低所有样本都会出现的假阳性位点——这类假阳性往往与探针/平台偏好性相关纯靠tumor-normal配对根本去不掉。没有PoN时Mutect2的假阳性率会明显上升。6.3 肿瘤克隆结构与进化推断体细胞变异做出来之后很多项目要回答的问题是这些突变是同一个克隆携带的还是肿瘤内部存在不同亚克隆哪个克隆是祖先这涉及肿瘤克隆进化推演。常用工具是PyClone或SciClone它们的核心逻辑是基于每个位点的VAF以及该位点对应的拷贝数状态把共变的位点聚类成不同的克隆群再进一步推断克隆间的出现顺序。这一块的分析内容比较深这里只补充一个关键点克隆推断依赖的VAF值必须经过纯度与拷贝数校正即从观察VAF换算为肿瘤细胞中携带该突变的细胞占比否则克隆聚类会被系统性高估或低估。7. WGS数据量、存储与算力规划做生信之前先做基建坦白讲很多人流程都跑通了最后被数据存不下或服务器算不动卡住。WGS的数据体量非常实在一个样本的fastq约60-80GBBAM约80-120GBgVCF约1-2GBVCF约100MB左右。一个20个样本的WGS队列从原始数据到最终分析结果中间产物加总通常在2TB上下如果没有合理的存储策略很容易出问题。7.1 存储规划建议fastq是原始数据建议双副本存档本地冷备/云对象存储因为重新测序的成本远高于存储成本。BAM是分析中间产物建议保留至少一份。如果你的分析流程需要反复调整保留BAM能避免重新比对那是最大计算量环节。gVCF/VCF是分析产出体积小又是下游所有分析的基础必须长期保存。中间临时文件如未排序的BAM、中间分割文件可以及时删除不用心疼。7.2 算力规划与调优全基因组比对、排序和去重这三个步骤是算力消耗的大头。一个30x WGS样本如果用32核CPU的机器跑典型GATK流程从fastq到变异检测完成大约需要6-10小时。批次处理多份样本时建议优先考虑云上批量计算服务而不是本地单机硬扛因为WGS流程天然可并行化——不同样本可以同时跑比对样本内部不同染色体可以并行处理。线程参数也有讲究。BWA-MEM的-t不是越大越好它受限于磁盘I/O和内存带宽samtools sort的-m参数每个线程的最大内存要结合机器总内存合理设置否则容易OOM。对于标配64核、256GB内存的机器我常用的配置是bwa mem -t 32samtools sort - 16 -m 2G。7.3 容器化与流程管理当前流程管理的行业事实标准是Snakemake与Nextflow。两者都支持容器化执行Docker/Singularity能保证流程在不同机器上的可复现性。对于WGS我建议使用nf-core/sarekNextflow生态它整合了从BAM预处理到Variant calling再到注释的完整WGS/WES流程自带多个标准工具与最佳实践参数配置。比从零搭管线省力得多。示例用Sarek跑WGS germline流程nextflow run nf-core/sarek \ -profile docker \ --input samplesheet.csv \ --genome GATK.GRCh38 \ --tools haplotypecaller,strelka,manta \ --outdir results \ -resume它在底层已经把BQSR、gVCF、joint calling等步骤串起来了速度、资源管理、错误重试都做了优化。直接用这套流程比自己手搓更稳。8. 实战中的几个坑位覆盖度不均、性别染色体与重复区域最后这部分没有系统的逻辑链条纯粹是这些年踩过的坑每条都对应过真实的返工和加班。8.1 覆盖度不均做得深不如覆盖得均匀很多人在设计WGS项目时只关心平均测序深度达到30x但平均深度是一个被严重高估的指标。基因组不同区域的比对效率差异巨大——GC含量极端区域尤其GC70%或GC30%、着丝粒区域、端粒区域、rDNA重复簇等测序仪和比对工具在这里都容易翻车。真正的判断指标是基因组中达到20x覆盖度的区域占比行业经验值是超过90%也就是常说的90% of bases at 20x。使用bedtools或mosdepth可以方便地统计这个值mosdepth --by 500 sample sample.recal.bam # 输出sample.per-base.bed.gz用awk/python统计20x的Base比例以我的经验一份看起来平均30x的数据如果超过8%-10%的区域连15x都不到那这份数据做低频变异检测会心虚——尤其当你关注的位点恰好落在低覆盖区域时。8.2 性染色体变异的处理不能想当然这是一个特别容易出问题又特别容易被忽视的点。女性和男性样本的chrX、chrY覆盖度天然不同直接套用常染色体的过滤阈值会导致一堆假阳性/假阴性。比如chrY在女性样本中原则上比对不到除非参考基因组有同源区域但实际比对会有零星的Mappable reads mapped到chrY的假阳性男性样本的chrX是半合子杂合性判断与常染色体完全不同。建议在变异检测与过滤阶段就按染色体类型autosome/chrX/chrY/mtDNA分组考虑阈值不要一刀切。8.3 高重复区域的假阳性SETD2、C4等例子人类基因组中富含节段重复segmental duplication区域如HLA区域、C4补体基因簇、PMS2基因的假基因区域等。这类区域在比对时会出现多个位置都能match的情况BWA-MEM会给出MAPQ较低的比对结果。如果硬是把这些区域纳入分析并且不加过滤产出的变异有很大概率是比对噪声。处理策略包括但不限于分析前对低MAPQ比如MAPQ20或30的reads进行过滤对高重复基因如PMS2、CHEK2的部分外显子使用专门的repeat-aware分析工具或已知的难处理区域列表如UCSC可mappability track来标注结果。很多人第一次拿到PMS2基因的致病突变时兴奋了一下然后发现它在假基因上的同源性比真实区域还高。8.4 参考基因组版本统一才是硬道理hg19还是hg38这个问题如果项目启动时没有约定好后面会引发连锁灾难。参考基因组的坐标体系不一样变异注释和临床解读时与公共数据库的比对就会错位。早期很多数据库以hg19为主但现在gnomAD、ClinVar等主流数据库都已全面支持hg38且hg38对许多区域的填补和修正做得更好。我的建议是新项目一律用hg38GRCh38如无特殊理由不用hg19。历史遗留的hg19数据建议用CrossMap或liftOver做坐标转换但转换后的数据一定要做抽样检查因为liftOver在某些复杂区域尤其InDel附近会丢位点。9. 写在一份WGS报告末尾的话之前带过的一个学生问我WGS数据分析流程学完是不是就能做任何组学分析了我当时的回答是工具会用了但离会做还差一个维度——你得知道你手上的数据是怎么来的、哪些环节可能在撒谎、哪些区域要打折扣看待。测序数据本质上是一个概率推断问题每一个结论背后都建立在若干假设之上真正从事这个行业越久越觉得生信的核心不是命令敲得有多快而是能不能在数据与生物学之间找到一个可靠的桥梁。再分享一个习惯无论跑什么样本处理完之后我都会挑几个已知阳性的位点比如你们项目内部验证过的突变作为质控基准确认流程能稳定检测到它们再批量推进。这个习惯帮我拦下过至少三次由上游样本标签错乱引发的灾难级事故。WGS这条路不短从实验台到服务器从FASTQ到解读报告每个环节都有坑。这篇内容把我能想到的、实操中最关键的信息都写进来了希望对正在做或者准备做WGS的你有些帮助。你也可以先把这篇收藏起来等实际跑到某一步卡住时再回来翻对应的小节——很多细节不是在读的时候记住的是在踩坑的时候才真正理解的。
1. 从有没有变异到变异在哪里WGS的核心定位做了几年生信被问得最多的一个问题就是WGS到底比靶向测序比如全外显子组测序WES、Amplicon panel强在哪很多刚接触测序数据的同学把WGS等同于测得更深、更贵、数据量更大这个理解不能说错但没有触及WGS真正改变分析思路的地方——WGS是唯一一种以全基因组为对象、不依赖探针捕获、能够同时覆盖编码区和非编码区的测序策略。这句话听起来像概念搬运实际落地之后你会发现它改变了整个分析流程的设计逻辑。先说说WGS能干什么。单核苷酸变异SNV和小片段插入缺失InDel是最常见的诉求这跟WES重叠但WGS还有三个典型的差异化价值结构变异SV的检测灵敏度远超WES因为SV的断裂点往往落在内含子或基因间区探针捕获根本拉不到拷贝数变异CNV的断点分辨率可以做到更精细尤其对肿瘤样本WGS数据能直接推导出等位基因特异性拷贝数allele-specific copy number这是WES很难实现的另外就是非编码区的调控变异这类位点以前被当作垃圾现在越来越多的功能研究和临床解读开始关注它们。所以如果你手里已经有WGS数据接下来这篇内容会完整走一遍从原始数据到变异解读的分析链路如果你还在纠结要不要上WGS我也会给出选型层面的判断依据。这里默认覆盖度为30x左右的标准人全基因组测序数据这是目前科研和临床最常用的配置。2. 建库、上机到数据产出真正影响结果质量的环节很多教程直接从fastq开始讲似乎测序数据是天上掉下来的。但根据我这些年经手的项目来看至少30%的分析问题和上游建库上机直接相关——接头污染、duplication偏高、碱基质量掉底、GC偏好性这些在QC阶段才暴露的问题根子都在实验环节。生信人员至少要理解上游流程才知道哪些问题能通过分析手段修正哪些必须返回去重新测序。2.1 Illumina与华大平台的建库差异主流的WGS建库思路都是DNA片段化 → 末端修复 → 加A尾 → 连接接头 → PCR扩增可选 → 上机测序。但Illumina和华大DNBSEQ两个平台在关键技术路线上有本质区别。Illumina用的是桥式扩增bridge amplificationDNA片段两端连接Y型接头后通过flow cell表面固定的寡核苷酸链进行局部扩增形成DNA簇cluster。DNBSEQ则是把连接好接头的环化DNA通过滚环扩增RCA生成DNA纳米球DNB吸附到阵列芯片上。DBN技术有一个天然优势每个DNB只占一个位点信号点是单拷贝测序过程不会累积错误Illumina的cluster是同步扩增的虽然信号强度更高但扩增错误会堆叠。这个差异直接反映在数据上DNBSEQ平台的duplication rate普遍更低且对高GC区域有更好的覆盖均匀度。工业界的经验值是同一样本用DNBSEQ跑出来的有效数据比例通常比Illumina高出几个百分点。2.2 PCR-free建库带来的数据变化PCR-free无PCR扩增是当前WGS建库的主流做法。它跳过PCR步骤直接上机保留原始DNA分子的多样性。传统建库中的PCR有几个副作用高GC区域扩增效率低导致覆盖偏倚重复序列被指数级放大的概率变高PCR聚合酶的碱基错误被复制进最终数据。做全基因组测序理论上不需要扩增这一步来达到足够的信号强度所以PCR-free在WGS项目里几乎成了默认选项。需要注意的是PCR-free对起始DNA质量和总量要求更高。一般建议总量500ng以上、OD260/280在1.8-2.0之间、无明显的RNA污染。如果你的样本是FFPE或者微量DNA做不了PCR-free就只能走有PCR的流程。这时候后续分析中的MarkDuplicate步骤就变得格外重要。2.3 测序深度、读长与数据量的换算30x WGS的标准含义是人类基因组约3.1Gb30x意味着需要约93Gb的有效数据mappable bases。但注意有效两个字——实际获得的总碱基数会高于这个值因为存在read比对不上、duplicate、quality cutoff之后被过滤掉的部分。平台选型层面有一个比较实用的对照表平台读长单端reads量(约)30x所需数据量典型运行时间Illumina NovaSeq XPE150可灵活配置约1Tb约2天DNBSEQ-T7PE150可灵活配置约1Tb约1-2天MGI DNBSEQ-G400PE150中等通量约300-600Gb约2天PacBio HiFi15-25kb长读覆盖度更密集约20x即可数小时-1天如果你有30x左右的WGS fastq数据通常的文件体积是fastq.gz约60-80GB每个样本。PE150是当前WGS最标准的读长配置PE100也能做但后续处理SV和短片段InDel时能明显感觉到差异。3. 从fastq到BAM的三级跳比对、排序去重、碱基质量校正拿到下机数据之后真正的生信分析流程从这里开始。整个数据预处理的核心目标是把测序read对齐到参考基因组上标记出质量可疑的重复片段并校正系统性的碱基质量误差。每一步的产出都会作为下一步的输入所以这部分的稳妥程度决定了后面变异检测的可靠性。3.1 第一步原始数据QC用fastp或FastQCMultiQC组合对fastq做质控重点看几个指标每条read的平均碱基质量Q30百分比、GC含量分布、接头残留率、重复率、插入片段长度分布。对于WGS数据Q30比例一般应达到85%以上。如果接头残留超过5%建议用fastp的先截后滤策略做一次轻量清洗。值得提醒的是现在的WGS测序服务商交付的数据通常已经做过demultiplex和adapter trimming但依然是通常不能默认。我自己有个习惯不管供应商说处理过没有拿到数据永远先跑一遍fastp确认接头情况。3.2 第二步BWA-MEM比对比对是决定后续变异检出精度的关键一步。WGS短读长比对的标准工具是BWA-MEM或它的更新版BWA-MEM2它将每个read与参考基因组比对输出SAM/BAM格式的比对结果。命令大致是# 建立索引人基因组约3.1Gb需要约5-10分钟 bwa index -a bwtsw GRCh38.fa # 比对并转为BAM bwa mem -t 32 -R RG\tID:sample1\tSM:sample1\tLB:lib1\tPL:illumina GRCh38.fa sample1_R1.fastq.gz sample1_R2.fastq.gz \ | samtools view -bS - sample1.raw.bam-R参数指定read group这一段很多人会忽略但后续GATK流程判断样本身份和合并多lane数据时都依赖它绝对不能省。如果同一份DNA在多个lane/多个flow cell上测了这一步不写清楚后面合并时会有大麻烦。人全基因组的比对速度大约为单线程每小时几百Mb到1Gb实际取决于机器CPU。用32线程跑一份30x WGS通常需要40分钟到1.5小时。比对阶段是最耗CPU的步骤之一建议用高性能计算节点或者云上CPU密集实例。3.3 第三步排序与MarkDuplicate比对后的BAM文件需要按参考基因组坐标排序这一步用samtools sort。然后标记PCR或光学重复duplicate reads。WGS项目中duplication率一般在5%-15%之间具体受建库质量和测序Cluster密度影响。samtools sort - 16 -m 2G sample1.raw.bam -o sample1.sorted.bam # 标记重复 picard MarkDuplicates \ Isample1.sorted.bam \ Osample1.markdup.bam \ Msample1.markdup_metrics.txt \ REMOVE_DUPLICATESfalse关于MarkDuplicates的REMOVE_DUPLICATESfalse是行内默认配置。为什么标而不删因为GATK HaplotypeCaller会在变异检测时基于概率模型处理duplicates信息直接删除会在覆盖度低的区域引入额外的偏差。这些细节做管线设计时牵一发动全身最好一开始就按社区最佳实践来。3.4 第四步BQSR碱基质量校正BQSRBase Quality Score Recalibration碱基质量值校正解决的是测序仪对碱基质量分数的系统性偏差问题。Illumina和DNBSEQ的base quality常常受测序循环数、dinucleotide上下文等因素影响会导致质量分数与实际错误率不一致。GATK BQSR分两步# 第一步基于已知SNP位点计算校正模型 gatk BaseRecalibrator \ -R GRCh38.fa \ -I sample1.markdup.bam \ --known-sites dbsnp_146.hg38.vcf.gz \ --known-sites Mills_and_1000G_gold_standard.indels.hg38.vcf.gz \ -O sample1.recal.table # 第二步应用校正模型 gatk ApplyBQSR \ -R GRCh38.fa \ -I sample1.markdup.bam \ --bqsr-recal-file sample1.recal.table \ -O sample1.recal.bamBQSR对生殖系变异检测的最终结果提升不是天翻地覆但对低频突变、尤其等位基因频率在5%以下的位点影响就体现出来了。肿瘤样本做低频变异检测时BQSR这一步绝不能跳过。4. 变异检测的核心逻辑GATK HaplotypeCaller与多样本联合分析处理完BAM之后就是变异检测。GATK HaplotypeCaller是当前全基因组SNV/InDel检测的社区标准它比早期流程的统一基因分型UnifiedGenotyper在InDel附近的准确性有了质的提升。4.1 HaplotypeCaller的算法逻辑HaplotypeCaller不是简单地看单个碱基位置上有没有不一致而是采用**局部重新组装local reassembly**策略在候选变异区域把所有覆盖该区域的reads提取出来做De Bruijn graph组装构建出该区域可能的单倍型再把每个read与这些单倍型进行比对用概率方法判断哪个位点更可能是真实变异。这个设计的好处是在InDel附近传统逐位点比较会被reads的比对歧义弄得很痛苦而HaplotypeCaller直接绕过了这个问题——它能直接确定整个InDel的具体序列和边界。代价是计算量显著增加。单样本变量检测命令gatk HaplotypeCaller \ -R GRCh38.fa \ -I sample1.recal.bam \ -O sample1.g.vcf.gz \ -ERC GVCF这里用-ERC GVCF模式产出的是gVCF文件记录每个位点的参考比对的基因型信息。若你只测了一个样本直接用-O sample1.vcf.gz也行但项目可能有后续新增样本gVCF的产出可以方便做joint calling强烈建议从一开始就按gVCF流程做。4.2 Joint Calling与单样本Calling的差异基因组测序项目中如果同时有多个样本比如一个家系、一个队列最佳实践是分别对每个样本产出gVCF然后统一用GenomicsDBImport合并再做joint genotyping。这样做的好处可以把所有样本一起对比参考序列对低覆盖度位点的基因型判断更稳也便于发现某些样本特异的低频信号。# 建立genomicsdb gatk GenomicsDBImport \ -V sample1.g.vcf.gz -V sample2.g.vcf.gz -V sample3.g.vcf.gz \ --genomicsdb-workspace-path my_database \ -L intervals.list # 联合基因分型 gatk GenotypeGVCFs \ -R GRCh38.fa \ -V gendb://my_database \ -O cohort.vcf.gz需要注意-L intervals.list这个参数GenomicsDBImport默认不接受没有interval的输入你需要准备一个包含全部染色体的区间文件比如从参考基因组的dict文件生成的chr1-22、chrX、chrY、chrM的列表否则这步会直接报错。单样本calling适合家系中先验样本数量少、不考虑横向比较的情况。但从管线可维护性的角度我个人的选择是只要数据量超过5个样本就一律走gVCFjoint calling后面无论追加样本还是下游新分析都留有余地。4.3 VQSR还是硬过滤得到原始VCF之后面对的问题是怎么把假阳性过滤掉。行内有两个主流方案VQSRVariant Quality Score Recalibration和硬过滤hard filter。VQSR的思路是利用高置信度的已知变异位点如HapMap、1000 Genomes、dbSNP作为训练集用高斯混合模型对变异位点的多个特征如QD、FS、MQ、MQRankSum等打分然后根据敏感度/特异性权衡取阈值。它需要至少30个样本来训练模型否则容易出现过拟合。样本数不够时走硬过滤更稳妥。硬过滤常用参数源于GATK best practice大约是# SNV硬过滤 gatk VariantFiltration \ -V raw.vcf.gz \ -filter QD 2.0 --filter-name QD_fail \ -filter FS 60.0 --filter-name FS_fail \ -filter MQ 40.0 --filter-name MQ_fail \ -O filtered_snps.vcf.gz # INDEL硬过滤 gatk VariantFiltration \ -V raw_indel.vcf.gz \ -filter QD 2.0 --filter-name QD_fail \ -filter FS 200.0 --filter-name FS_fail \ -O filtered_indels.vcf.gz关于这个阈值有两点经验想说QD2.0比较保守适合追求特异性的场景如果你更看重敏感度比如做罕见病研究担心漏掉真变异可以把QD阈值适当提高到2.5-3.0之间。FSFishers strand bias是衡量正负链支持是否均衡的指标InDel的阈值比SNV高出一大截就是因为InDel在链偏倚上天然比SNV更容易看起来不平衡直接照搬SNV阈值会把大量真实InDel过滤掉。5. 变异注释与下游解读从VCF到可用的生物学结论到这里变异已经拿到了但一堆坐标和等位基因信息对生物学研究人员来说还不够——它们需要被翻译成人话和生物学意义。VCF中的位点需要注释到基因、转录本、氨基酸变化、人群频率数据库、致病性数据库等这才是临床和科研真正依赖的信息。这一步也最容易看出一个生信人对数据闭环的把握能力。5.1 常用注释工具ANNOVAR与VEP目前WGS变异注释的标配工具是ANNOVAR和Ensembl VEP。两者功能相似但各有长短。ANNOVAR的优势在于它的数据库体系非常成熟注释结果简洁清晰对大批量VCF的注释速度也快。用法大致是table_annovar.pl sample.vcf \ humandb/ \ -buildver hg38 \ -out sample.annovar \ -remove \ -protocol refGene,cytoBand,exac03,gnomad211_exome,gnomad211_genome,clinvar_20221231,avsnp150,dbnsfp41a \ -operation g,r,f,f,f,f,f,f \ -nastring . \ -vcfinput注意-protocol里包含了refGene基因注释、cytoBand染色体区带、gnomAD人群频率、ClinVar临床意义、dbSNP常见位点、dbNSFP功能预测等数据库。其中的-nastring .参数让注释不到的字段填充一个.而不是留空这个对下游筛选极其有用因为留空字符和.在Excel中的行为完全不同。VEP的优势在于注释字段更标准和Ensembl数据库更新同步还支持自定义插件如SpliceAI、CADD等。如果你做的是面向临床解读的项目建议VEP为主、ANNOVAR交叉验证。5.2 注释字段里最容易被忽略的几个信息点很多刚入门的人注释完就直接按ExAC/gnomAD频率 0.01筛变异这个思路没问题但会漏掉几个重要维度。CADD/PolyPhen/SIFT等功能预测这些分数不是真相而是基于不同算法模型对变异的破坏性预测。它们容易误导人因为它们对同一个位点的判断经常不一致我的习惯是把这几个分数放一起看而不是依赖单一分数。剪接区域变异WGS可以覆盖到内含子与剪接位点这一部分对临床意义极大。约15%的致病性点突变发生在剪接供体/受体位点——这些位点在WES上往往覆盖很差而在WGS中可以稳定检测到。非编码区的调控注释如ENCODE的候选顺式调控元件cCREs、Roadmap的表观遗传标记这些对解释非编码区变异非常关键。目前对非编码区变异的解读仍处于早期但使用RegulomeDB或者OpenTarget Genetics等工具查找还是很有帮助。5.3 结构变异与拷贝数变异的检测思路WGS的结构变异检测是它的核心优势。工具选择上常用的有Manta侧重InDel和SV的breakpoint精确定位、DELLY支持deletion、duplication、inversion、translocation四类经典SV、Lumpy利用split-read和read-depth进行综合检测。实际操作中大家通常会合并多个工具的预测结果而Manta是这里面灵敏度与精度平衡较好的标准选择。CNV分析通常是利用覆盖度read depth推断拷贝数常用工具是CNVkit、Sequenza或PureCN。对于肿瘤WGS样本结合BAM的等位基因频率和杂合性丢失LOH信息可以推导更复杂的allele-specific拷贝数PureCN和ASCAT是其中的代表。对于生殖系样本如果有正常对照配对则CNVkit更适合研究。6. 肿瘤WGS的特殊处理纯度、倍性与克隆结构肿瘤样本的WGS分析分析难度完全不是一个量级。肿瘤组织里混着正常细胞肿瘤细胞内部还有亚克隆subclones每个亚克隆的拷贝数和变异谱又不一样。如果不做纯度/倍性估计后续变异检测、CNV推断、克隆结构分析都会失真。6.1 纯度与倍性估计对检测的影响肿瘤样本中如果肿瘤细胞占比只有40%——也就是说变异等位基因频率VAF理论上限是0.2纯合变异或0.1杂合变异——此时直接套用生殖系的变异检测阈值就会漏掉大量真正的体细胞突变。所以第一步是估计肿瘤纯度purity和倍性ploidy。工具层面Sequenza通过分析BAM的B-allele frequencyBAF和read depth的比值来估计纯度和倍性输出肿瘤基因组每个染色体臂的拷贝数状态ASCAT同样是基于BAF和LRRlog R ratio做估计。这类工具输出的绝对拷贝数total copy number与major/minor allele count比单纯的相对拷贝数更有价值你可以直接从结果中判断某个片段是杂合性缺失LOH还是等位基因不平衡。6.2 体细胞变异检测的配对分析肿瘤WGS的体细胞变异检测必须要有配对正常样本通常是外周血或癌旁组织否则无法区分种系固有变异和肿瘤特有变异。Musical架构下Mutect2是最常用的体细胞SNV/InDel检测工具它通过tumor-normal配对模型将正常样本中存在的变异从肿瘤样本中扣除同时利用panel-of-normalsPoN校正批次性测序错误。gatk Mutect2 \ -R GRCh38.fa \ -I tumor.bam \ -I normal.bam \ -tumor TUMOR_SAMPLE_NAME \ -normal NORMAL_SAMPLE_NAME \ --germline-resource af-only-gnomad.hg38.vcf.gz \ --panel-of-normals pon.vcf.gz \ -O tumor_normal_m2.vcf.gz--panel-of-normals和--germline-resource这两个输入文件对过滤测序平台系统错误意义重大。PoN能显著压低所有样本都会出现的假阳性位点——这类假阳性往往与探针/平台偏好性相关纯靠tumor-normal配对根本去不掉。没有PoN时Mutect2的假阳性率会明显上升。6.3 肿瘤克隆结构与进化推断体细胞变异做出来之后很多项目要回答的问题是这些突变是同一个克隆携带的还是肿瘤内部存在不同亚克隆哪个克隆是祖先这涉及肿瘤克隆进化推演。常用工具是PyClone或SciClone它们的核心逻辑是基于每个位点的VAF以及该位点对应的拷贝数状态把共变的位点聚类成不同的克隆群再进一步推断克隆间的出现顺序。这一块的分析内容比较深这里只补充一个关键点克隆推断依赖的VAF值必须经过纯度与拷贝数校正即从观察VAF换算为肿瘤细胞中携带该突变的细胞占比否则克隆聚类会被系统性高估或低估。7. WGS数据量、存储与算力规划做生信之前先做基建坦白讲很多人流程都跑通了最后被数据存不下或服务器算不动卡住。WGS的数据体量非常实在一个样本的fastq约60-80GBBAM约80-120GBgVCF约1-2GBVCF约100MB左右。一个20个样本的WGS队列从原始数据到最终分析结果中间产物加总通常在2TB上下如果没有合理的存储策略很容易出问题。7.1 存储规划建议fastq是原始数据建议双副本存档本地冷备/云对象存储因为重新测序的成本远高于存储成本。BAM是分析中间产物建议保留至少一份。如果你的分析流程需要反复调整保留BAM能避免重新比对那是最大计算量环节。gVCF/VCF是分析产出体积小又是下游所有分析的基础必须长期保存。中间临时文件如未排序的BAM、中间分割文件可以及时删除不用心疼。7.2 算力规划与调优全基因组比对、排序和去重这三个步骤是算力消耗的大头。一个30x WGS样本如果用32核CPU的机器跑典型GATK流程从fastq到变异检测完成大约需要6-10小时。批次处理多份样本时建议优先考虑云上批量计算服务而不是本地单机硬扛因为WGS流程天然可并行化——不同样本可以同时跑比对样本内部不同染色体可以并行处理。线程参数也有讲究。BWA-MEM的-t不是越大越好它受限于磁盘I/O和内存带宽samtools sort的-m参数每个线程的最大内存要结合机器总内存合理设置否则容易OOM。对于标配64核、256GB内存的机器我常用的配置是bwa mem -t 32samtools sort - 16 -m 2G。7.3 容器化与流程管理当前流程管理的行业事实标准是Snakemake与Nextflow。两者都支持容器化执行Docker/Singularity能保证流程在不同机器上的可复现性。对于WGS我建议使用nf-core/sarekNextflow生态它整合了从BAM预处理到Variant calling再到注释的完整WGS/WES流程自带多个标准工具与最佳实践参数配置。比从零搭管线省力得多。示例用Sarek跑WGS germline流程nextflow run nf-core/sarek \ -profile docker \ --input samplesheet.csv \ --genome GATK.GRCh38 \ --tools haplotypecaller,strelka,manta \ --outdir results \ -resume它在底层已经把BQSR、gVCF、joint calling等步骤串起来了速度、资源管理、错误重试都做了优化。直接用这套流程比自己手搓更稳。8. 实战中的几个坑位覆盖度不均、性别染色体与重复区域最后这部分没有系统的逻辑链条纯粹是这些年踩过的坑每条都对应过真实的返工和加班。8.1 覆盖度不均做得深不如覆盖得均匀很多人在设计WGS项目时只关心平均测序深度达到30x但平均深度是一个被严重高估的指标。基因组不同区域的比对效率差异巨大——GC含量极端区域尤其GC70%或GC30%、着丝粒区域、端粒区域、rDNA重复簇等测序仪和比对工具在这里都容易翻车。真正的判断指标是基因组中达到20x覆盖度的区域占比行业经验值是超过90%也就是常说的90% of bases at 20x。使用bedtools或mosdepth可以方便地统计这个值mosdepth --by 500 sample sample.recal.bam # 输出sample.per-base.bed.gz用awk/python统计20x的Base比例以我的经验一份看起来平均30x的数据如果超过8%-10%的区域连15x都不到那这份数据做低频变异检测会心虚——尤其当你关注的位点恰好落在低覆盖区域时。8.2 性染色体变异的处理不能想当然这是一个特别容易出问题又特别容易被忽视的点。女性和男性样本的chrX、chrY覆盖度天然不同直接套用常染色体的过滤阈值会导致一堆假阳性/假阴性。比如chrY在女性样本中原则上比对不到除非参考基因组有同源区域但实际比对会有零星的Mappable reads mapped到chrY的假阳性男性样本的chrX是半合子杂合性判断与常染色体完全不同。建议在变异检测与过滤阶段就按染色体类型autosome/chrX/chrY/mtDNA分组考虑阈值不要一刀切。8.3 高重复区域的假阳性SETD2、C4等例子人类基因组中富含节段重复segmental duplication区域如HLA区域、C4补体基因簇、PMS2基因的假基因区域等。这类区域在比对时会出现多个位置都能match的情况BWA-MEM会给出MAPQ较低的比对结果。如果硬是把这些区域纳入分析并且不加过滤产出的变异有很大概率是比对噪声。处理策略包括但不限于分析前对低MAPQ比如MAPQ20或30的reads进行过滤对高重复基因如PMS2、CHEK2的部分外显子使用专门的repeat-aware分析工具或已知的难处理区域列表如UCSC可mappability track来标注结果。很多人第一次拿到PMS2基因的致病突变时兴奋了一下然后发现它在假基因上的同源性比真实区域还高。8.4 参考基因组版本统一才是硬道理hg19还是hg38这个问题如果项目启动时没有约定好后面会引发连锁灾难。参考基因组的坐标体系不一样变异注释和临床解读时与公共数据库的比对就会错位。早期很多数据库以hg19为主但现在gnomAD、ClinVar等主流数据库都已全面支持hg38且hg38对许多区域的填补和修正做得更好。我的建议是新项目一律用hg38GRCh38如无特殊理由不用hg19。历史遗留的hg19数据建议用CrossMap或liftOver做坐标转换但转换后的数据一定要做抽样检查因为liftOver在某些复杂区域尤其InDel附近会丢位点。9. 写在一份WGS报告末尾的话之前带过的一个学生问我WGS数据分析流程学完是不是就能做任何组学分析了我当时的回答是工具会用了但离会做还差一个维度——你得知道你手上的数据是怎么来的、哪些环节可能在撒谎、哪些区域要打折扣看待。测序数据本质上是一个概率推断问题每一个结论背后都建立在若干假设之上真正从事这个行业越久越觉得生信的核心不是命令敲得有多快而是能不能在数据与生物学之间找到一个可靠的桥梁。再分享一个习惯无论跑什么样本处理完之后我都会挑几个已知阳性的位点比如你们项目内部验证过的突变作为质控基准确认流程能稳定检测到它们再批量推进。这个习惯帮我拦下过至少三次由上游样本标签错乱引发的灾难级事故。WGS这条路不短从实验台到服务器从FASTQ到解读报告每个环节都有坑。这篇内容把我能想到的、实操中最关键的信息都写进来了希望对正在做或者准备做WGS的你有些帮助。你也可以先把这篇收藏起来等实际跑到某一步卡住时再回来翻对应的小节——很多细节不是在读的时候记住的是在踩坑的时候才真正理解的。
