變異偵測 · 定序技術 · 基因體學 · 機器學習 · 生物資訊學 · 研究簡報綜述發表於2026年10月20日
《Nature Reviews Genetics》的一篇綜述
長讀長時代的小變異偵測
小變異是一個人的基因體與參考基因體之間,單一鹼基的替換或短於 50 個鹼基對的插入與缺失。短讀長定序找到了大部分小變異,卻漏掉位於長重複序列中的那些。鄭振賢、Fritz Sedlazeck 與駱銳邦的綜述主張,長讀長定序與深度學習已經改變了找出這些變異的方法,而且漂亮的整體準確度如今掩蓋了剩下的錯誤在哪裡。
事實
一個領域轉向深度學習,一篇綜述回顧全局 2026年10月20日於《Nature Reviews Genetics》線上發表;以下數字除另有標明外,均出自該綜述。
- >99.9%深度學習工具在 PacBio HiFi 高信賴區域的 SNP F1
- ~99%Oxford Nanopore 的同一數字;插入缺失仍是弱點
- <20%在長於 11 bp 的同聚物中的插入缺失表現
已確立的
10–20 kb 的長讀長(PacBio HiFi)與超過 100 kb 的長讀長(Oxford Nanopore)能比對進 150–300 bp 短讀長無法進入的重複區域,而神經網路工具如今在兩個平台上都居領先。
尚未確立的
任何工具在著絲粒、片段重複與長串聯重複中有多準確。綜述稱這一點仍缺乏描述,因為那裡的標準答案集只涵蓋一個樣本。
時序
從第一個深度學習工具到這篇綜述,八年 日期為綜述所引論文的發表年份;標明者已在 PubMed 查核。
- 2018年DeepVariant 把比對好的讀長堆疊當成影像,以卷積網路分類候選位點;綜述稱它為第一個被廣泛採用的深度學習變異偵測工具。
- 2019年PacBio 的環狀共識讀長(HiFi)被證明兼具長度與高準確度;同年出現針對單分子資料的多任務網路 Clairvoyante。
- 2020–2021年接著出現 Clair(遞迴網路)與 PEPPER-Margin-DeepVariant(考慮單倍型,針對奈米孔讀長)。
- 2022年3月31日端粒到端粒聯盟發表 T2T-CHM13,一個沒有缺口的人類基因體,補上參考基因體先前未完成的近 2 億個鹼基(PubMed)。
- 2022年Clair3 結合快速的摘要式模型與細緻的讀長層級模型;鄭振賢與駱銳邦是其作者。
- 2023年5月10日人類泛基因體參考聯盟的草圖,使短讀長資料的小變異偵測錯誤比 GRCh38 減少 34%(PubMed)。
- 2025年一間臨床實驗室驗證 HiFi 全基因體定序用於小變異,在 GIAB 高信賴區域的 SNV 召回率超過 99.9%(PubMed);Oxford Nanopore 的 Dorado 加入以自注意力為基礎的變異偵測工具。
- 2026年10月20日該綜述於《Nature Reviews Genetics》線上發表。
論點
在容易的地方已經解決,在重要的地方仍未解決 綜述的核心主張,以及讓它複雜化的因素。
鄭振賢、Sedlazeck 與駱銳邦主張,小變異偵測不再是單一任務,而是一整族任務。生殖細胞系變異約出現在 50% 或 100% 的讀長中,新生突變需要父母雙方的資料,嵌合變異通常低於 30%,腫瘤中的體細胞變異則可能從不到 1% 到 100% 都有。長讀長透過定相幫助這四類:讀長依來源親代分組,真正的變異會集中在一條單倍型上,定序錯誤則四散。他們寫道,漂亮的數字來自 GIAB 高信賴區域;在一組 PacBio 資料中,約 75% 的不一致插入缺失位於同聚物之中或旁邊,而在完整的 T2T-CHM13 參考上,最佳工具在低可比對性與片段重複區域的召回率降到 SNP 95%、插入缺失 85%。
- 93%T2T-CHM13 新評測的變異中,位於缺乏標準答案的高度複雜區域者
- 1T2T 標準答案集背後的樣本數:HG002,同時也被用於訓練
- ~1.7×在 T2T-HG002 評測中,Oxford Nanopore 原始讀長的插入缺失錯誤率相對 PacBio 的倍數
複雜之處:作者正是工具的開發者
駱銳邦的團隊開發了綜述通篇討論的 Clair 系列,鄭振賢是 Clair3 的第一作者。綜述是透過自己的參考文獻呈現這一點,而非明文聲明;它比較的是設計方式,而不是產品排名。
還有一個數字在原始來源中讀法不同
綜述說 GRCh38 約有 8%、近 2 億個鹼基無法以短讀長比對。它引用的 T2T 論文則把這 8% 描述為參考基因體先前未完成的部分。兩者有所重疊,但不是同一種量測。
補充
三種偵測方式,各自的代價 綜述對各策略的比較,並在可讀取處與其引用的原始論文核對。
| 策略 | 優勢 | 代價 |
|---|---|---|
| 線性參考 | 工具成熟、快速 | 參考偏誤;在重複與結構變異中脆弱 |
| 組裝式 | 在 T2T 評估中,可觸及比對法認為無法進入的基因體的最多 15% | 運算量約十倍;同聚物中的插入缺失較弱 |
| 泛基因體圖 | 在 HPRC 草圖中比 GRCh38 少約 34% 的小變異錯誤,以短讀長量測 | 運算量大;沒有可供臨床報告使用的穩定座標 |
網路
三種設計,三種限制
- 卷積網路(DeepVariant、Clair3、PEPPER)把讀長堆疊當影像;固定視窗使遠距關聯難以掌握。
- 遞迴網路(Clair、Clair3、Medaka)雙向讀取序列;它們循序運算、速度慢。
- 自注意力(Dorado variant、ClairS-TO)同時權衡每個位置;成本隨長度快速增加。
材料
每種樣本都帶來自己的雜訊
- 長讀長 DNA:重複與同聚物中的系統性錯誤,以及參考基因體缺口造成的偏誤。
- 總體 RNA:等位基因特異性表現會改變預期比例,RNA 編輯也可能被誤認為變異。
- 單細胞 RNA:覆蓋稀疏與等位基因脫落,環境 RNA 與雙細胞也會增加偽陽性。
結論
瓶頸從找出變異,轉移到能否相信它 綜述確立了什麼、留下什麼未解,以及提出了什麼。
已確立
在容易的高信賴區域,長讀長深度學習工具已準確到足以用於臨床,也已有臨床實驗室據此驗證了 HiFi 定序。
未解
在臨床上重要之處的準確度。RPGR 同聚物中的致病插入缺失,或 SMN1 中受同源基因混淆的變異,幾乎不影響整體 F1,卻可能決定病人能否得到診斷。
- 讀準確度數字時,要連同它的區域一起讀。超過 99.9% 的數字描述的是 GIAB 高信賴區域,而不是整個基因體。
- 問清楚泛基因體的結果是用哪種讀長量測的。HPRC 草圖的 34% 來自短讀長資料。
- 把困難區域的評測視為暫定。它們只建立在一個同時被用來訓練的樣本上,因此目前還沒有保留的測試集。
快速筆記
- 鄭振賢、Fritz J. Sedlazeck 與駱銳邦〈Small variant calling in the era of long-read sequencing〉,《Nature Reviews Genetics》,2026年10月20日線上發表,doi:10.1038/s41576-026-01020-7,及其 Crossref 紀錄
- Nurk 等人〈The complete sequence of a human genome〉,《Science》376,2022年
- Liao 等人〈A draft human pangenome reference〉,《Nature》617,2023年
- Hammond 等人〈Analytical validation of germline small variant detection using long-read HiFi genome sequencing〉,《Genome Research》35,2025年。三篇引用論文於 PubMed 讀取。全部讀取於2026年10月21日。