短读长全基因组测序结构变异检测工具的基准评估与流程改进

结构变异（SV）在人类基因组中无处不在，是进化与疾病的关键驱动力^[1]。过去十余年，学界依靠短读长全基因组测序逐步累积群体规模的SV目录：从185个基因组的拷贝数变异图谱^[5]，到2504个基因组的八类SV整合图谱^[2]，再到gnomAD基于14,891个基因组构建的433,371个SV参考集^[3]。方法学评估也在推进：基因组瓶中瓶联盟为HG002建立了序列分辨的插入缺失基准^[4]；长读长一侧已有1,019人的SV资源^[6]、系统的比对与组装方法比较^[7]，以及以T2T-HG002-Q100双倍体组装为基准的caller评估^[8]；2021年还有报告专门讨论过短读长与长读长组装两条技术路线在SV检出上的期望和盲点^[9]。但短读长SV分析至今没有公认标准，这正是本研究的切入点。

作者利用HG002 T2T-Q100与Platinum Pedigree两个完整真值集，辅以1KGP-ONT和CoLoRS两个长读长数据库，在碱基对分辨率上检验断点与长度。在30倍Illumina数据上，16个单工具中仅5个能稳定产出与真值完美匹配的缺失、插入和重复；更关键的是，群体研究中常用的集成流程（GATK-SV、MOPline、Parliament2）相比各自表现最佳的组成工具，把完美匹配准确率最多压低了98%。由于gnomAD-SV正是由GATK-SV构建的，这一误差按作者判断很可能同样波及TOPMed、All of Us和Biobank Japan等数据库。

作为概念验证，作者提出样本内合并策略，在HG002上对缺失与插入取得最高F1分数，其完美匹配数甚至超过受测最佳集成流程的总匹配数；对HG002中等位基因频率高于1%的常见SV，该结果与CoLoRS和ONT-1KGP两个正交长读长数据库在精确匹配上高度一致。相对已有认识，这项工作把集成流程的精度代价量化到了碱基分辨率，并展示了超越现有集成范式的一条可行路径，提示群体规模流程的设计须在精度上更为审慎，也为跨研究比较提供了标尺。

当然，评估以HG002为核心样本，合并策略仍属概念验证阶段；对TOPMed等其他数据库的影响也只是作者的推测而非直接验证；结论能否推广到更多人群、更复杂的SV类型与批量生产数据，仍有待回答。这些正是通往稳健SV分析标准之前需要补齐的环节。