簡報
返回長讀長定序加上深度學習,讓 PacBio 的 SNP 準確度超過 99.9%,但這個數字來自基因體中容易的區域。到了同聚物、片段重複與 T2T 新補齊的區域,準確度大幅下滑,而能衡量它的標準答案集幾乎還不存在。
《Nature Reviews Genetics》 · 綜述
長讀長定序時代的小變異偵測
為初學者與專家導讀鄭振賢、Fritz J. Sedlazeck 與駱銳邦的綜述
2026年10月20日線上發表 · doi:10.1038/s41576-026-01020-71 / 15
背景
什麼是小變異
參考基因體就像一本書的出版版本,你的基因體則是有幾處拼字差異的抄本:單一字母替換(SNV),或短於 50 個鹼基對的插入與缺失(indel)。
類型 參考 樣本 變化 SNV ACGTTGA ACGCTGA 一個字母被換成另一個 插入 ACGTGA ACGTTGA 樣本中多出字母 缺失 ACGTTGA ACG-TGA 樣本中少了字母 鄭振賢、Sedlazeck 與駱銳邦 · 《Nature Reviews Genetics》 · 2026年10月20日2 / 15
背景
小變異為何重要
1000 Genomes、gnomAD 與 UK Biobank 等重要資料庫都以短讀長建立,而短讀長難以處理重複 DNA,留下數十萬個未解析的小變異。
人與人之間的差異
它們造成個體間的許多差異。
人類演化
它們記錄了人類族群之間的關係。
精準醫療
了解病人的變異,有助於讓診斷與照護貼合個人。
鄭振賢、Sedlazeck 與駱銳邦 · 《Nature Reviews Genetics》 · 2026年10月20日3 / 15
背景
短讀長的不足之處
想像一幅有許多相同藍天碎片的拼圖。短碎片看不出該放哪裡,所以分析流程寧可丟棄模稜兩可的比對,也不冒誤判的風險。
- 150–300 bp短讀長的長度;比這更長的重複序列可能吻合許多位置
- ~8%基因體中約 8%、近 2 億個鹼基,在 T2T-CHM13 之前一直未在參考中完成
鄭振賢、Sedlazeck 與駱銳邦 · 《Nature Reviews Genetics》 · 2026年10月20日4 / 15
長讀長
長讀長登場
較長的讀長就是較大的拼圖碎片,更容易在重複的畫面中定位。
- 150–300 bp短讀長:準確,但太短而跨不過長重複
- 10–20 kbPacBio HiFi:準確度超過 99.9%,對同一環狀分子重複讀取多次
- >100 kbOxford Nanopore:超長讀長,錯誤率較高,尤其在重複區
鄭振賢、Sedlazeck 與駱銳邦 · 《Nature Reviews Genetics》 · 2026年10月20日5 / 15
長讀長
共同的變異偵測流程
這就像校對。長讀長改變了其中兩個環節:讀長可以依親代分組(定相),而分類器必須學會長讀長的錯誤模式。
比對
把每條讀長放到參考基因體上,或以相對於參考的方式表示。
找候選位點
標出讀長與參考不同的位置,通常在局部重新組裝之後。
分類
模型根據局部證據判斷每個候選是真變異還是假象。
鄭振賢、Sedlazeck 與駱銳邦 · 《Nature Reviews Genetics》 · 2026年10月20日6 / 15
情境與挑戰
四種變異,四個難題
類型 讀長比例 來源 挑戰 生殖細胞系 約 50% 或 100% 遺傳而來;存在於每個細胞 在重複區中比對到正確位置 新生 ~50% 孩子身上新出現;父母都沒有 需要家庭(三人組)資料 嵌合 通常 <30% 受精後產生;只在部分細胞 極低比例隱沒在雜訊中 體細胞 <1% 至 100% 後天獲得,例如在腫瘤中 腫瘤純度與次選殖株使訊號模糊 鄭振賢、Sedlazeck 與駱銳邦 · 《Nature Reviews Genetics》 · 2026年10月20日7 / 15
情境與挑戰
定相:長讀長的優勢
定相之前
微弱的變異看起來像隨機雜訊。
定相之後
讀長依來源親代分組:真變異出現在一條單倍型上,錯誤則四散。
鄭振賢、Sedlazeck 與駱銳邦 · 《Nature Reviews Genetics》 · 2026年10月20日8 / 15
情境與挑戰
漂亮的準確度掩蓋了困難區域
同聚物是同一字母的連續片段,例如 AAAAAAAA。要精確數出長度很難,所以插入缺失常在這裡出錯;而超過 99.9% 的準確度,主要是在容易的高信賴區域量得的。
- ~75%PacBio 不一致的插入缺失中,位於同聚物之中或旁邊的比例
- <20%長同聚物(>11 bp)中的插入缺失表現,一般重複區約 70%
- ~1.7×T2T-HG002 評測中 ONT 原始讀長插入缺失錯誤率相對 PacBio 的倍數
鄭振賢、Sedlazeck 與駱銳邦 · 《Nature Reviews Genetics》 · 2026年10月20日9 / 15
情境與挑戰
不同定序類型,不同雜訊
長讀長 DNA
重複與同聚物中的系統性錯誤,以及參考缺口造成的偏誤;定相有幫助。
總體 RNA
全長轉錄本,但覆蓋度隨表現量而定,等位基因特異性表現與 RNA 編輯會混淆工具。
單細胞 RNA
把每個變異連到單一細胞,但覆蓋稀疏,並有等位基因脫落、環境 RNA 與雙細胞問題。
鄭振賢、Sedlazeck 與駱銳邦 · 《Nature Reviews Genetics》 · 2026年10月20日10 / 15
深度學習
深度學習領先
- >99.9%PacBio 在高信賴區域的 SNP F1
- ~99%Oxford Nanopore 的 SNP F1;插入缺失仍是弱點
摘要式輸入
每個位置的計數,如 Clair3 的 pileup 模型:快速穩健,但失去單一讀長的關聯。
讀長層級輸入
讀長堆疊的影像,如 DeepVariant 與 Clair3 的全比對模型:細緻,但運算較重。
鄭振賢、Sedlazeck 與駱銳邦 · 《Nature Reviews Genetics》 · 2026年10月20日11 / 15
深度學習
三種網路設計
CNN 像看一張照片,RNN 像讀一行文字,自注意力則像一眼看完整頁。
CNN
DeepVariant、Clair3、PEPPER:把讀長堆疊當影像。限制:固定視窗使遠距關聯困難。
RNN
Clair、Clair3、Medaka:正反向讀取序列。限制:循序且慢;訊號在長距離上衰減。
自注意力
Dorado variant、ClairS-TO:同時權衡每個位置。限制:成本隨長度快速增加。
鄭振賢、Sedlazeck 與駱銳邦 · 《Nature Reviews Genetics》 · 2026年10月20日12 / 15
超越單一參考
三種偵測變異的方式
策略 優勢 代價 線性參考 工具成熟、快速 參考偏誤;在重複區脆弱 組裝式 在 T2T 評估中可觸及比對法漏掉的最多 15% 基因體 運算量約十倍;同聚物插入缺失較弱 泛基因體圖 HPRC 草圖中比 GRCh38 少約 34% 的小變異錯誤(短讀長) 運算量大;沒有供臨床報告用的穩定座標 鄭振賢、Sedlazeck 與駱銳邦 · 《Nature Reviews Genetics》 · 2026年10月20日13 / 15
超越單一參考
完整的參考揭露了盲點
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。
- 93%T2T-CHM13 新評測的變異中,位於缺乏標準答案之高度複雜區域的比例
- 95% / 85%使用 HiFi 時,最佳工具在低可比對性與片段重複區域的 SNP/插入缺失召回率,容易區域則 >99.9%
- HG002這些標準答案集背後唯一的樣本,同時用於訓練,因此沒有保留的測試
鄭振賢、Sedlazeck 與駱銳邦 · 《Nature Reviews Genetics》 · 2026年10月20日14 / 15
展望
瓶頸從找出變異,轉移到理解它。
- 以半監督模型從大量未標註資料中學習。
- 為泛基因體圖設計偵測工具,並以組裝為後盾。
- 在單倍型解析的基礎上建立嵌合與體細胞變異偵測工具。
- 隨成本下降,讓長讀長 RNA 與單細胞偵測成為常規。
鄭振賢、Sedlazeck 與駱銳邦 · 《Nature Reviews Genetics》 · 2026年10月20日15 / 15