WGS全流程解析：从原始数据到变异注释的实战指南

1. WGS全流程概览：从测序仪到生物学解读

全基因组测序（Whole Genome Sequencing, WGS）就像用超高倍显微镜扫描生命的天书。想象你拿到一本3亿字的小说（人类基因组），但书页被撕成无数150字的小纸条（测序reads），还夹杂着印刷错误（测序误差）。WGS流程就是把这些碎片重新拼回完整故事，并标出所有错别字（基因变异）的过程。

我在肿瘤研究所工作时，处理过上千例癌症样本。一个完整的WGS流程通常包含四大阶段：

• 原始数据质控：剔除模糊不清的"纸条"
• 数据预处理：把纸条按页码重新粘贴到参考书上
• 变异检测：用红笔圈出所有和参考书不同的字词
• 变异注释：解释这些错字是否会影响故事结局（致病性）

整个过程会产生三种关键文件格式：

bash复制FASTQ（原始数据） → BAM（比对结果） → VCF（变异结果）

提示：临床样本建议至少30X测序深度，科研样本建议50X以上。我曾遇到一个乳腺癌样本因20X深度导致关键突变漏检，后来补测到60X才找到真正的驱动突变。

2. 原始数据质控：给测序数据"体检"

2.1 FASTQ文件解构

刚从测序仪出来的数据就像刚冲洗的胶卷，可能有过曝（高错误率）或欠曝（低质量）区域。每个read在FASTQ文件中用四行表示：

python复制@仪器编号:测序坐标
ATCGATCG...（碱基序列）
+（可选的质量值标识符）
!''*((((...（ASCII编码的质量值）

去年处理的一批肝癌样本中，约15%因接头污染（adapter contamination）需要特殊处理。用FastQC查看时，如果看到各位置碱基组成不平衡（比如全是A），很可能是测序仪流动池故障。

2.2 质控实战技巧

我习惯用MultiQC生成综合报告，它能整合多个样本的FastQC结果。关键指标要盯紧：

• Q30比例：质量值≥30的碱基占比（临床要求≥80%）
• GC含量：人类基因组正常范围38-42%
• 重复序列率：>20%可能提示PCR过度扩增

这是我的常用过滤命令：

bash复制fastp -i raw_1.fq -I raw_2.fq -o clean_1.fq -O clean_2.fq \
    --qualified_quality_phred 20 \
    --unqualified_percent_limit 40 \
    --length_required 100 \
    --detect_adapter_for_pe

注意：不要过度过滤！有次我设置--qualified_quality_phred 30，导致20%的真突变被误删。后来用已知突变的标准品测试，发现Q20阈值更适合我们的测序平台。

3. 数据预处理：基因组"拼图"艺术

3.1 比对算法选择指南

把reads比对到参考基因组，就像用GPS定位撕碎的旅游手册页码。主流工具各有特点：

我团队做过对比测试：对于30X的人类全基因组，BWA-MEM比对率能达到99.2%，而Novoalign虽然准确率高0.3%，但耗时增加2倍。临床项目建议用经过验证的流程：

bash复制bwa mem -t 16 -R "@RG\tID:sample1\tSM:sample1" \
    GRCh38.fasta clean_1.fq clean_2.fq > aligned.sam

3.2 预处理关键四步曲

排序去重阶段有个经典坑：MarkDuplicates的REMOVE_DUPLICATES参数慎用！它会物理删除重复reads。有次我误开启这个选项，导致肿瘤样本的驱动突变频率被低估。正确做法是用MARK_DUPLICATES仅做标记。

局部重比对要特别注意复杂变异区域。用GATK时，建议添加-knownSites参数引入已知变异数据库：

bash复制gatk BaseRecalibrator \
    -I sorted.bam \
    -R GRCh38.fasta \
    --known-sites dbsnp_146.hg38.vcf \
    -O recal_data.table

4. 变异检测：寻找基因组的"错别字"

4.1 种系变异检测实战

对于遗传病研究，GATK HaplotypeCaller是金标准。但要注意版本差异：4.0以上版本启用新算法，我对比过GATK 3.8和4.2的结果，在INDEL检测上有3%差异。建议统一版本：

bash复制gatk HaplotypeCaller \
    -R GRCh38.fasta \
    -I preprocessed.bam \
    -O raw_variants.vcf \
    --native-pair-hmm-threads 8

4.2 体细胞变异检测陷阱

肿瘤-正常配对分析时，Mutect2比VarScan更敏感。但要注意contamination参数设置：有次分析FFPE样本忘记设置--f1r2-tar-gz，导致假阳性率飙升。推荐流程：

bash复制gatk Mutect2 \
    -R GRCh38.fasta \
    -I tumor.bam \
    -I normal.bam \
    -normal normal_sample_name \
    --germline-resource af-only-gnomad.vcf \
    -O somatic.vcf

5. 变异注释：从代码到生物学

5.1 注释数据库选择

ANNOVAR和VEP各有千秋。我偏好VEP的--plugin参数，可以加载CADD、SpliceAI等预测分数。有个肺癌案例中，SpliceAI评分>0.8的剪切位点突变，经实验验证90%确实影响RNA剪切。

5.2 临床解读要点

ACMG指南是金标准，但要注意：

1. 人群频率阈值要匹配种族：gnomAD东亚人群频率比全局频率更可靠
2. 功能预测要综合多个工具：单独依赖SIFT可能漏掉15%有害突变
3. 剪接突变要结合RNA-seq：有例BRCA2的同义突变经RNA-seq证实导致外显子跳跃

我的常用注释命令：

bash复制vep -i final.vcf \
    --format vcf \
    --species homo_sapiens \
    --cache \
    --dir_cache /vep_data \
    --offline \
    --plugin CADD,/data/cadd/whole_genome_SNVs.tsv.gz

最后分享一个血泪教训：永远保持元数据记录！有次重分析半年前的数据，因忘记当时用的GRCh38.p12版本，导致与新版注释结果出现偏差。现在我会在每个流程开始时自动生成JSON格式的流程记录文件。