面向个体化基因组学的完整二倍体人类基因组基准
A complete diploid human genome benchmark for personalized genomics.
本研究发布了一套端粒到端粒（T2T）人类二倍体基因组基准，覆盖 HG002 基因组 99.4%，新增 701.4 Mb 常染色体序列与 216.8 Mb 两条性染色体序列，填补了此前基准的空白区域。
人类基因组测序精度的提升长期依赖Genome in a Bottle联盟提供的真值数据[4]。在竞争性评估驱动下，最佳变异检出流程的F1分数已逼近0.999，看似触及性能上限。但这类基准仅覆盖参考上"易于比对"的区域：GIAB v4.2.1同时排除了性染色体和约12%的常染色体，对结构变异和最复杂的多态区域鲜有触及[4]。以参考为锚点的变异框架还存在系统性偏倚——短读长难以在重复或结构多态区可靠分型，也无法准确分相。T2T-CHM13补齐了约8%的剩余序列，揭示了着丝粒卫星与片段重复[2]，但样本与参考之间的结构差异仍未解决。人泛基因组联盟以多样化单倍型降低参考偏倚[1][3]，其开发与评估仍依赖不完整参考，在最需要它发挥作用的区域形成了循环依赖。
本文提出端到端"基因组基准"概念——以二倍体基因组序列本身作为真值，而非参考上的变异集，并据此推出"Q100项目"的成果T2T-HG002v1.1。该工作整合约170× PacBio HiFi与209× ONT超长读长，借助Verkko等流水线完成组装[6]，并利用Strand-seq与Hi-C跨过rDNA阵列，最终实现全部46条染色体的端到端连续性。经至少四种测序技术交叉验证，99.4%以上的基因组范围内无可检出错配，Phred质量值由v0.7的Q63.1提升至Q68.9，错误率从约每两百万碱基一处降至约每八百万碱基一处，显著低于以往所有HG002组装。作者还配套发布了基因组质量检查器（GQC）软件。
与GIAB v4.2.1相比，T2T-HG002v1.1额外纳入701.4 Mb（占常染色体11.7%）的高置信序列，弥补了卫星与片段重复中原本缺失的部分。个性化注释显示MAT链注释到59,323个基因、PAT链57,741个；分别识别出129个与121个断裂的蛋白质编码基因，并发现13个MAT特异、12个PAT特异的常染色体单倍型基因，包括CFHR1、CFHR3、GSTT1、GSTM1等已知拷贝数变异位点[5]。
该基准仍标记了3,172个低置信区域（38.8 Mb，0.65%），其中86.3%为尚未闭合的rDNA阵列，含九个总长31.1 Mb的内部缺口；免疫球蛋白基因座因V(D)J重组无法依赖亲本标记评估，仍需后续验证工作。
- 1.The Human Pangenome Project: a global resource to map genomic diversity · Nature 2022
- 2.The complete sequence of a human genome · Science 2022
- 3.A draft human pangenome reference · Nature 2023
- 4.Best practices for benchmarking germline small-variant calls in human genomes · Nat Biotechnol 2019
- 5.Diversity of human copy number variation and multicopy genes · Science 2010
- 6.Telomere-to-telomere assembly of diploid chromosomes with Verkko · Nat Biotechnol 2023
原文以 HG002 端粒到端粒二倍体基因组为基准，给出了从头组装与变异调用在准确度上的量化差距，可作为同类研究的数据对照。
来源：顶刊论文（社媒热度） · doi.org