HitSV：跨测序平台的结构变异检测方法

结构变异（通常指大于50 bp的基因组改变）是人类群体间差异的主要来源，也深刻影响疾病。gnomAD基于14,891个基因组构建的SV参考收录了433,371个SV，并估计每个基因组中25–29%的罕见蛋白截断事件由SV造成^[2]；更早的2,504人整合图谱则显示，SV构成人类基因组间差异核苷酸的大多数^[5]。但SV检出始终是计算难题，主流工具依赖断裂比对、异常读对等比对特征推断变异^[1,3]。短读测序因低成本主导大规模队列却受读长掣肘，对三个家系的多平台分析表明，长短读结合可把人均SV数提升到27,622个，较包括千人基因组计划在内的常规研究高三至七倍^[4]。即便有GIAB这类含12,745个≥50 bp插入缺失的序列分辨基准集可供评估^[6]，在重复和复杂区域，比对信号仍会被系统性削弱与扭曲，造成漏检、碎片化或误判——这正是本文的出发点。

HitSV是一个读长无关的比对法检出框架，同时处理长读、短读与混合数据。它显式建模局部重复程度对信号强度的影响：利用HPRC与1KGP共40个共享样本构建分重复语境的经验信号分布，实现重复区的敏感断点识别；把断点当作潜变量做渐进式聚类，聚合碎片化证据并拆开不同等位基因的重叠信号；再以unitig为中心的de Bruijn图完成单倍型分辨的局部组装——短读经覆盖度引导的图遍历突破读长限制，混合数据以长读contig为骨架、用短读打磨。评测覆盖102个人类数据集、6个物种和13个主流工具：在GIAB HG002（NIST-Q100 v1.1）上，30× PacBio HiFi与ONT数据分别取得85.00%与88.48%的基因型F1，较最优工具高出15.34–71.68%；在覆盖五个1KGP超群的35个HGSVC样本上，平均领先次优工具12.82%（PacBio）与12.93%（ONT）；在食蟹猴、小鼠、果蝇、斑马鱼、拟南芥与大豆中，F1平均优势为4.83–14.54%与3.25–21.71%。混合模式下，4×长读加30×短读即可与30×长读的Sniffles2相当或更优，并在匹配设定下领先blend-seq 11.92%。

其推进在于，把“比对信号随局部序列语境而变”从固有限制转化为可建模的对象，从而降低长读深度门槛、放大短读数据产出。作者进而扫描一个大规模中国队列，识别出以串联移动元件阵列为特征的复合重复构型，提示这是人类基因组中普遍存在却此前未被充分认识的结构特征；这与SV常富集于重复和结构不稳定区域的认识相衔接，而近完整人类参考基因组的工作也显示，不同基因组间α卫星高阶重复阵列长度差异可达30倍，并伴随移动元件插入模式的差异^[7]。

局限同样清楚：方法仍以比对证据为根基，作者自己也观察到，较老化学体系与超长读带来的低质量ONT数据会拖累所有工具的等位基因重建；对缺乏比对信号的极端重复区段能否检出，材料未作说明；而这些复合重复构型的功能与表型后果，也有待后续研究回答。