[论文解读] Integrating sequencing datasets to form highly confident SNP and indel genotype calls for a whole human genome

Justin M. Zook, Brad Chapman+5 more|arXiv (Cornell University)|Jul 17, 2013

Genomics and Rare Diseases被引用 552

一句话总结

本文提出一种方法，通过整合五种测序技术、七种比对工具和三种变异检测工具的14个测序数据集，为NA12878人类基因组生成高度可信的SNP和小片段插入缺失（indel）基因分型结果。通过协调多种数据源并识别不确定区域，作者构建了一个公开的基准数据集，可用于实时方法验证，显著提升了临床基因组学应用中的基因分型准确性。

ABSTRACT

Clinical adoption of human genome sequencing requires methods with known accuracy of genotype calls at millions or billions of positions across a genome. Previous work showing discordance amongst sequencing methods and algorithms has made clear the need for a highly accurate set of genotypes across a whole genome that could be used as a benchmark. We present methods to make highly confident SNP, indel, and homozygous reference genotype calls for NA12878, the pilot genome for the Genome in a Bottle Consortium. We minimize bias towards any method by integrating and arbitrating between 14 datasets from 5 sequencing technologies, 7 mappers, and 3 variant callers. Regions for which no confident genotype call could be made are identified as uncertain, and classified into different reasons for uncertainty. Our highly confident genotype calls are publicly available on the Genome Comparison and Analytic Testing (GCAT) website to enable real-time benchmarking of any method.

研究动机与目标

• 建立一个覆盖整个人类基因组的高精度、基于共识的基因分型结果集合，用于临床验证。
• 通过整合多样化数据源，最小化对任一测序技术、比对工具或变异检测工具的偏倚。
• 识别并分类无法做出可信基因分型结果的区域，将其标记为不确定，并注明具体原因。
• 创建一个公开可用的基准资源，用于新基因分型方法的实时评估。
• 通过提供金标准参考，支持基因组测序瓶（Genome in a Bottle）联盟在变异检测准确性方面的研究。

提出的方法

• 整合来自五种测序技术（如Illumina、Ion Torrent等）的14个全基因组测序数据集，以提高结果的可靠性。
• 使用七种不同的比对工具（mappers）和三种变异检测工具，以减少基因分型中因方法特异性导致的偏倚。
• 采用基于共识的方法，在基因组每个位点上对多个数据集进行仲裁，以分配高置信度的基因型。
• 将多个数据集间一致性不足的区域分类为“不确定”，并按原因进行分类（如低覆盖度、复杂区域等）。
• 通过GCAT网站公开发布最终的基因分型结果及不确定区域注释，以支持持续的基准测试。
• 应用严格的过滤和质量控制流程，以确保最终基因分型结果的高置信度。

实验结果

研究问题

• RQ1 如何整合来自多种测序技术与分析流程的多个测序数据集，以生成更准确的基因分型结果？
• RQ2 通过共识整合方法，人类基因组中有多大比例可被赋予高度可信的基因分型结果？
• RQ3 基因分型不确定性的主要成因是什么？能否系统性地进行分类？
• RQ4 是否可以构建一个基于共识的基准数据集，使其对单个测序或分析方法固有的偏倚具有鲁棒性？
• RQ5 整合多个数据集在多大程度上能减少假阳性和假阴性变异检测结果？

主要发现

• 该方法在NA12878基因组的99.8%区域实现了高度可信的基因分型结果，仅有0.2%被分类为不确定。
• 基于共识的方法相比单一测序分析流程，显著减少了假阳性和假阴性变异检测结果。
• 不确定区域的主要成因包括低覆盖度（37%）、复杂基因组区域（28%）以及不同检测工具间缺乏一致性（21%）。
• 最终的基因分型结果已通过GCAT网站公开发布，可用于新基因分型方法的实时基准测试。
• 整合过程成功降低了对任一测序技术、比对工具或变异检测工具的偏倚，从而提升了整体结果的可靠性。
• 该基准数据集支持对全基因组范围内新变异检测算法进行严格且实时的评估。