一文告诉你研究结构变异到底需要测多少数据量

特异的SV是与疾病的易感性相关的，SV的区域通常包含疾病相关重要基因。许多癌症基因组有着显著的遗传变异，并且特异的SV被认为能够通过破坏基因结构，调节基因表达，创造融合事件或者产生基因拷贝数来促进肿瘤发展。不知道SV是什么的请到最下面看科普。

据统计，基因组结构变异可能导致的遗传性疾病已经超过1,000种，对于每个人来讲其基因组都有至少20,000个的结构变异，这些变异带来的影响或许比SNV或InDel还要大。然而，尽管SV的普遍存在且与癌症特殊关联，但是许多SV分类的分子组织及产生机制还不明确。这在很大程度上是由于当前技术（就是二代测序）无法发现具有高特异性的全谱SV。

据报道，短read方法缺乏敏感性，只有10%-70%的SV可以被检出，却有高达89%的错误发现率，且不能鉴定复杂嵌套SV带来的影响。

三代测序因其读长长，能够大幅提升SV的可靠性和分辨率。根据文章的结果和百迈客的实测数据总结起来，用ONT测SV至少要15X。

具体原因是什么呢？且听小编细细道来~~

Pacbio和ONT测序的长read能够大幅提升SV检测的可靠性和分辨率。平均10kb或者更长的read可以更准确的比对到重复序列上，这些可能介导SV的形成。长read更可能跨过SV断点。当然除了优势，长read也有新的挑战，Pacbio测序有10-15%的错误率，Oxford Nanopore 测序有5-20%错误率。因此急需一种新的SV检测方法，Sedlazeck F J 等人开发了Sniffles软件。

根据两个人类数据集的错误情况和read长度，作者对两条人的染色体模拟了50X Pacbio 和ONT read 。纯粹的统计分析发现，近10X覆盖度的数据（平均长度10kb）就足够去推断所有SV断点（一瞬间觉得自己可以省好多钱有木有），然而对于100bp的短read双端测序至少要25X覆盖度。当前这个统计只是一个理想情况，比如缺乏了重复和覆盖度的偏移，因此是低估了所需的覆盖度的。

理想很丰满、现实很骨感！理想情况下用10x覆盖度测三代read就能检测出来所有的结构变异，但是现实肯定不够啦~ 作者对真实的Pacbio 55X数据，和Nanopore 28X数据所检测到的SV和低深度下所检测的SV进行比较。对于Pacbio数据，15X的时候对于NA12878和SKBR3样品的SV能识别到69.64%和67.24%，如果提升到30X时，可分别识别到80.05%和76.63%。SKBR3的识别率相对较低主要因为它是癌症样品，有些极端的拷贝扩增。所以癌症样品要想识别到更多更准的SV，需要适当提升测序深度。

对于Nanopore的数据，在20X的覆盖度时就能达到82.24%的准确率和84.23%的识别率。不过这可能是因为ONT数据只测了28X。

尽信书不如无书，小编本着对科研（领导）的认真态度（“逼迫”），对公司的一正常人的血液进行Nanopore DNA测序（测序深度为40X）识别SV，随机抽取不同深度下的数据量5X，10X，15X，20X，30X使用相同的参数进行SV识别，合并所有样品的SV，对每个样品进行强制重新识别SV。以40X数据在支持read数大于10下所检测出的SV为金标准，判断低深度下所能检测出的SV情况，如下表：

注：Genotype列代表不同深度下识别出的和40X SV基因型相同的SV个数，Genotype ratio为SV占40X SV的比例。 Genotype & depth 为与40X SV基因型相同且read支持数大于10的SV个数，Genotype & depth Ratio为基因型相同且read支持数大于10的SV比例。

其实从结果上可以发现即使只用5X测序深度的数据也能够识别出很高比例的SV，但是如果考虑到支持的read数，所能识别出的SV比例就瞬间少了很多。其实也能理解啦，毕竟深度在那里呢~

所以，依小编愚见，15X数据的结果相对还是可以的，不过该测试数据是妥妥的正常人呦，如果癌症样品还是建议再多测一些呢~