Skip to content

基因體學 › NGS 品質指標 › UMI 與一致序列

UMI 與一致序列 (UMI & Consensus Reads) ​

UMI (unique molecular identifier) 是建庫時接在每個原始 DNA 分子上的隨機短序列,像分子的身分證。有了它就能把「同一個分子的多份 PCR 拷貝」和「不同分子」分開,用一致序列 (consensus) 扣掉 PCR 與定序錯誤。這是 cfDNA、低頻體細胞變異偵測的核心技術;沒有 UMI 時的重複處理見 重複率。

核心名詞 ​

名詞意思數的是什麼
UMI接在原始分子上的隨機短序列(分子條碼)—
家族 (family)同一 UMI + 同一片段位置(起點與終點)的 reads代表一個原始分子
Family size一個家族裡的 reads 數這個分子被讀到幾次
Raw depth蓋到某位置的 reads 數reads
Unique depth蓋到某位置的 原始分子數(家族數)分子
Mean family sizeraw depth ÷ unique depth平均每個分子被讀到幾次
Raw BAM比對後、尚未合併的 BAM每條 read 都保留
Consensus BAM每個家族合併成一條一致序列一條 read 代表一個分子
text
mean family size = raw depth ÷ unique depth
帶變異的分子數   ≈ unique depth × VAF
Raw BAMConsensus BAM
一條 read 代表一次定序讀取一個原始分子
深度raw depthunique depth
錯誤背景較高低(多數決扣掉隨機錯誤)
低 VAF 偵測易被雜訊干擾較好

比喻:3,000 個原始分子是 3,000 個「人」;PCR 把每個人影印很多份混在一起;定序是從這池裡隨機抽 22,500 張。unique depth = 有幾個人 (3,000),raw depth = 抽了幾張 (22,500),mean family size = 平均每人被抽到幾張 (7.5)。7.5 是被讀到的次數,不是擴增次數;有人 1 張、有人 15 張。

流程 ​

text
BCL → demultiplex → FASTQ(R1、R2)
  → 取出 UMI(存進 RX tag,從序列切掉)
  → 比對 → raw BAM
  → 依 UMI + 位置分組 → 分子 ID(MI tag)
  → 每組多數決 → consensus reads
  → 重新比對 → 過濾(最小 family size、鹼基品質)→ consensus BAM → 變異呼叫
bash
# fgbio 範例:R1、R2 各有 8 nt inline UMI(read structure 8M142T:8 nt 分子條碼 + 142 nt 模板)
fgbio FastqToBam --input R1.fq.gz R2.fq.gz --read-structures 8M142T 8M142T \
  --sample s1 --library lib1 --output unmapped.bam
# unmapped.bam → bwa mem 比對 → 用 fgbio ZipperBams 把 RX 等 tag 帶回 → mapped.bam
fgbio GroupReadsByUmi --input mapped.bam --strategy adjacency --edits 1 \
  --family-size-histogram fam_sizes.txt --output grouped.bam   # duplex 改用 --strategy paired
fgbio CallMolecularConsensusReads --input grouped.bam --min-reads 1 --output cons.unmapped.bam
# cons.unmapped.bam 重新比對 → cons.mapped.bam
fgbio FilterConsensusReads --input cons.mapped.bam --ref ref.fa \
  --min-reads 2 --min-base-quality 30 --output cons.filtered.bam

替代工具:umi_tools(extract → group / dedup,常用於 RNA-seq 與單細胞)、fastp 的 --umi 只負責把 UMI 移到 read 名稱。只想標記重複而不建一致序列時,見 Picard MarkDuplicates。

配成同一家族的條件 ​

條件說明
片段位置相同R1、R2 的起點與終點一起看
UMI 相同,或相差 ≤ 1 個鹼基UMI 本身的定序錯誤會製造假家族(多為 size 1),讓家族數虛高;fgbio --edits、UMI-tools 的 directional 方法會合併
Duplex(雙股)正股 UMI ACGT-TTGA、反股 TTGA-ACGT 視為同一分子的 A、B 股;各自 consensus 後再合併成 duplex consensus,可扣掉只出現在單股的錯誤

UMI 要多長:碰撞 ​

UMI 種類數 = 4^長度。種類太少時,同位置兩個不同分子拿到同一個 UMI,被誤併成一個家族:unique depth 被低估,甚至把真變異當錯誤扣掉。

長度種類數(約)
6 nt4,096
8 nt65,536
10 nt105 萬
12 nt1,700 萬

判斷標準是同一位置的分子數,不是總 reads 數。R1 + R2 各 8 nt 的組合約 43 億種,再加上片段位置一起看,同位置 3,000 個分子幾乎不會碰撞。UMI 夠用即可,不是越長越好。

多定序 vs 多投 DNA ​

同一區域原本 100 條 reads、30 個家族:

情況reads家族數mean family size說明
同一 library 多定序100 → 500約 30(略增後持平)3.3 → 16.7分子數不變,只是讀更多次
投入更多 DNA500150約 3.3分子變多,unique depth 才增加

reads 數決定 mean family size(讀得夠不夠多次);起始 DNA 量與建庫效率決定 unique depth,也決定低 VAF 的偵測極限。多定序到 family size 約 3–5 以上後,再加 reads 幾乎不增加 unique depth (saturation)。

實例:cfDNA + hybrid capture(Illumina) ​

項目典型值(非固定規格)
起始 cfDNA30 ng ≈ 9,000 個單倍體基因組拷貝(每拷貝約 3.3 pg)
建庫效率約 35% → 每位置約 3,000 個分子
Panel 大小200 kb
總 reads約 25M read pairs,on-target 約 60%
UMI 配置inline,R1、R2 各 8 nt;有些產品放在 I1 / I2 index read,原理相同
text
raw depth        ≈ 15M pairs × 300 bp ÷ 200 kb ≈ 22,500×
unique depth     ≈ 3,000×
mean family size ≈ 22,500 ÷ 3,000 = 7.5
結果通常情況
家族大小分布偏斜:很多 size 1–2 的小家族,少數很大的家族
最小 family size 門檻常設 ≥ 2 或 ≥ 3
通過門檻的有效分子約 2,000–2,500×
低 VAF 呼叫通常要求 ≥ 2–3 個獨立家族支持

UMI 家族大小分布與偵測機率

左圖模擬上述參數:多數分子被讀到 2–10 次,約 9% 是 singleton(只讀到一次,無法做多數決)。右圖是 VAF 0.1% 時,依 Poisson 抽樣偵測到 ≥ k 個帶變異家族的機率:3,000× unique depth 下,期望只有 3 個突變分子,有 5% 機率一個都沒抽到;要求 ≥ 3 個家族時偵測率只有約 58%。

低 VAF 會不會被叫出來 ​

text
帶變異的分子數 = 3,000 × 0.001 = 3
raw BAM 中帶變異的 reads ≈ 3 × 7.5 ≈ 22

22 條 reads 看起來很多,但可能全部來自同一個家族(PCR 早期錯誤),所以要看獨立家族數。要穩定偵測 0.1%,應提高 unique depth(更多起始 DNA、更好的建庫效率),而不是只加 reads。

情況結果原因 / 對策
真變異整個家族的 reads 都帶著它,多數決保留—
隨機 PCR / 定序錯誤只在家族中少數 reads 出現,多數決扣掉—
漏叫帶變異的分子太少、變異家族是 singleton、family size 門檻太嚴提高起始量;調整門檻
誤叫PCR 第一輪錯誤或模板損傷(氧化 G>T、去胺 C>T)讓整個家族帶同一個錯duplex consensus、損傷校正、panel of normals

看報告時注意:unique depth、支持家族數、family size 分布、是否 duplex。偵測極限的正式定義見 檢測確效:LoB / LoD / LoQ;臨床應用見 液態切片;VAF 的定義見 變異等位基因頻率。