外觀
變異呼叫流程 (Variant Calling)
從比對好的 reads 找出樣本與參考基因組的差異(SNV、indel),輸出 VCF。germline(遺傳性,所有細胞都有)與 somatic(腫瘤後天獲得,只在部分細胞)的假設不同,流程也不同。
Germline 流程(GATK Best Practices)
text
FASTQ ──BWA-MEM──► BAM ──MarkDuplicates──► BQSR ──HaplotypeCaller(-ERC GVCF)──► gVCF(每個樣本)
──GenomicsDBImport + GenotypeGVCFs(多樣本聯合基因分型)──► VCF
──VQSR 或硬過濾──► 過濾後 VCF ──bcftools norm──► VEP / ANNOVAR 註解 ──► 判讀bash
# 1. 比對(-R 寫入 read group,GATK 必需)
bwa mem -t 16 -R '@RG\tID:S1.L1\tSM:S1\tPL:ILLUMINA\tLB:lib1' GRCh38.fa R1.fq.gz R2.fq.gz \
| samtools sort -@ 8 -o S1.sorted.bam -
# 2. 標記重複
gatk MarkDuplicates -I S1.sorted.bam -O S1.dedup.bam -M S1.dup_metrics.txt --CREATE_INDEX true
# 3. 鹼基品質校正(以已知變異位點以外的錯配估計系統性誤差)
gatk BaseRecalibrator -I S1.dedup.bam -R GRCh38.fa --known-sites dbsnp.vcf.gz --known-sites Mills_indels.vcf.gz -O S1.recal.table
gatk ApplyBQSR -I S1.dedup.bam -R GRCh38.fa --bqsr-recal-file S1.recal.table -O S1.bqsr.bam
# 4. 每個樣本產生 gVCF(WES / panel 加 -L targets.interval_list)
gatk HaplotypeCaller -R GRCh38.fa -I S1.bqsr.bam -O S1.g.vcf.gz -ERC GVCF
# 5. 多樣本聯合基因分型
gatk GenomicsDBImport -V S1.g.vcf.gz -V S2.g.vcf.gz -L chr1 --genomicsdb-workspace-path gdb_chr1
gatk GenotypeGVCFs -R GRCh38.fa -V gendb://gdb_chr1 -O cohort.chr1.vcf.gz| 步驟 | 目的 | 細節 |
|---|---|---|
| MarkDuplicates | PCR 重複不提供獨立證據 | 見 Picard MarkDuplicates;amplicon 不做 |
| BQSR | 校正儀器回報的品質分數 | 見 鹼基品質分數 |
| HaplotypeCaller | 在活躍區域做局部重新組裝,同時呼叫 SNV 與 indel | 假設二倍體(-ploidy 可改) |
| gVCF + 聯合基因分型 | 多樣本時能區分「確定是參考型」與「沒資料」,並共享資訊 | 見 VCF:gVCF |
變異過濾:VQSR vs 硬過濾
| VQSR | 硬過濾 (hard filtering) | |
|---|---|---|
| 原理 | 以已知高信心變異(HapMap、1000G、Mills)訓練模型,學習真變異在 QD、MQ、FS、SOR 等註解上的分布,為每個變異打分 | 對每個註解設固定閾值 |
| 需要 | 大量變異:WGS,或約 30 個以上的 WES 樣本 | 不需要訓練資料 |
| 適合 | 大型 germline 世代研究 | 單一樣本、小 panel、非模式生物 |
| 優缺點 | 自適應、較準;樣本少時不穩定 | 透明、易解釋;閾值通用但不夠彈性 |
GATK 建議的硬過濾起點:
bash
gatk VariantFiltration -V snps.vcf.gz -O snps.filtered.vcf.gz \
-filter "QD < 2.0" --filter-name QD2 -filter "QUAL < 30.0" --filter-name QUAL30 \
-filter "SOR > 3.0" --filter-name SOR3 -filter "FS > 60.0" --filter-name FS60 \
-filter "MQ < 40.0" --filter-name MQ40 -filter "MQRankSum < -12.5" --filter-name MQRankSum-12.5 \
-filter "ReadPosRankSum < -8.0" --filter-name ReadPosRankSum-8
# indel:QD < 2.0、QUAL < 30、FS > 200、ReadPosRankSum < -20| 註解 | 意義 | 偽陽性的樣子 |
|---|---|---|
| QD | 品質除以深度 | 低:深度高但證據弱 |
| FS / SOR | 鏈偏差 (strand bias) | 高:變異只出現在單一方向的 reads |
| MQ | 支持 reads 的比對品質(見 比對品質) | 低:重複區、假基因 |
| MQRankSum | ALT 與 REF reads 的 MAPQ 差異 | 負值大:ALT reads 比對較差 |
| ReadPosRankSum | 變異在 read 中的位置 | 負值大:集中在 read 末端 |
新版 GATK 另提供以機器學習打分的工具(如 VETS / ScoreVariantAnnotations、單樣本的 CNNScoreVariants);DeepVariant 以影像化的 pileup 訓練深度學習模型,單樣本準確度高,是常用的替代 caller。參考:VQSR 與硬過濾說明(黃樹嘉)。
Somatic 流程(Mutect2)
text
腫瘤 BAM + 正常 BAM ──Mutect2(+ panel of normals、gnomAD germline resource)──► 原始呼叫
──GetPileupSummaries + CalculateContamination(樣本污染)
──LearnReadOrientationModel(FFPE / 氧化造成的方向性假象)
──FilterMutectCalls──► 過濾後 somatic VCF ──► 註解、判讀| 與 germline 的差別 | 說明 |
|---|---|
| VAF 不是 50% / 100% | 受腫瘤純度、拷貝數、次選殖影響;低頻變異要靠深度 |
| 需要正常樣本 | 排除 germline 變異;只有腫瘤時要靠 gnomAD 與 panel of normals,偽陽性較多 |
| FFPE 假象 | C>T / G>A 去胺基假象;方向性模型與 UDG 處理 |
| 克隆性造血 | 血液正常樣本也可能帶 DNMT3A、TET2 等體細胞突變 |
| 低頻 / cfDNA | UMI 一致序列,見 UMI 與一致序列、液態切片 |
Panel of Normals (PoN)
一組正常樣本用與腫瘤相同的平台、panel、建庫與流程跑過,記錄在多個正常樣本中反覆出現的位點。這些位點多半是技術假象(重複區比對錯誤、平台 / 探針特有的錯誤、捕獲偏差),或常見但 gnomAD 沒涵蓋的 germline 變異;腫瘤中出現在 PoN 的呼叫會被過濾。
bash
# 1. 每個正常樣本以 tumor-only 模式呼叫
gatk Mutect2 -R ref.fa -I normal1.bam --max-mnp-distance 0 -O normal1.vcf.gz
# 2. 合併成 GenomicsDB,再建 PoN
gatk GenomicsDBImport -R ref.fa -L targets.interval_list --genomicsdb-workspace-path pon_db \
-V normal1.vcf.gz -V normal2.vcf.gz # …其餘正常樣本
gatk CreateSomaticPanelOfNormals -R ref.fa --germline-resource af-only-gnomad.vcf.gz \
-V gendb://pon_db -O pon.vcf.gz
# 3. 腫瘤呼叫時帶入:Mutect2 ... --panel-of-normals pon.vcf.gz| 原則 | 說明 |
|---|---|
| 技術條件要一致 | 同平台、同 panel / 探針版本、同建庫方式;換 panel 就要重建 |
| 樣本數 | GATK 建議至少約 40 個;越多越能抓到低頻出現的假象 |
| 正常樣本要乾淨 | 混入腫瘤污染的「正常」樣本會把真突變(如熱點)放進 PoN 而被濾掉 |
| 不能取代配對正常樣本 | PoN 濾掉的是反覆出現的假象;個人獨有的 germline 變異仍需配對正常或 gnomAD |
| CNV 另有 PoN | 用來校正覆蓋度的系統性偏差(GATK CreateReadCountPanelOfNormals、CNVkit reference),與 SNV 的 PoN 不同 |
正規化與註解
bash
bcftools norm -m -any -f GRCh38.fa filtered.vcf.gz -Oz -o norm.vcf.gz # 拆多等位、左對齊
vep -i norm.vcf.gz -o annotated.vcf --vcf --cache --assembly GRCh38 --everything --mane --pick正規化的原因見 VCF:同一個變異的不同寫法;註解工具見 Ensembl VEP;轉錄本選擇見 MANE;臨床判讀見 變異判讀。
其他 caller 與變異類型
| 工具 | 用途 |
|---|---|
| DeepVariant | germline SNV / indel,短讀與長讀皆有模型 |
| Strelka2 | germline / somatic,速度快 |
| bcftools mpileup + call | 輕量 germline 呼叫 |
| VarDict、LoFreq | 低頻 / amplicon 變異 |
| Manta、DELLY、GRIDSS | 結構變異 (SV) |
| CNVkit、GATK gCNV | 拷貝數變異 (CNV),見 GC 偏差 |
| Clair3、Sniffles2 | 長讀定序的小變異 / SV |
流程的評估(敏感度、PPV、分層)用 GIAB 基準集,見 參考標準品。