想象你是一位“生命印刷厂”的质检员。车间里有一份装订精美的标准模板——《生命说明书》，也就是人类参考基因组。可是流水线上每天都会送出成千上万本手工装订的“个人册”，里面偶尔会出现印刷差错：有的册子把某一页印了两份，有的整章不翼而飞，有的章节前后颠倒，甚至错装到别的书里。更麻烦的是，你拿到手的从来不是完整的书，而是被粉碎机搅碎的数百万张粗纸片——这就是高通量测序仪吐出的“读序”（reads）。 你的工作，就是把这些碎片一张张对回模板找位置，然后判断：哪个区域的碎片数量不对劲？哪两张本该相邻的纸片被甩到了天南地北？有没有碎片横跨两个毫不相干的章节？必要时，你甚至不看模板，直接徒手把这些纸片拼回完整的段落。这些“印刷差错”，就是拷贝数变异（CNV）与结构变异（SV）；而你的整套侦破手段，就是本文要讲的检测算法。

岗位关联

学完本节，你将理解CNV/SV从“信号”到“证据”再到“工程化流水线”的完整链路，能看懂主流检测工具的原理，并可为真实项目设计出一套可靠的结构变异检测方案。

目录
  1. 可视化演示
  2. 01 | 结构变异家族图谱
  3. 02 | 测序比对：把碎片放回模板
  4. 03 | 覆盖深度法：数一数每页被印了几次
  5. 04 | 断点信号法：检查装订线的裂缝
  6. 05 | 局部从头组装：不看模板的徒手拼接
  7. 06 | 融合策略：让线索互相印证
  8. 07 | 工程化部署：把侦破术变成流水线
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

演示读深度(RD)、读对与拆分读(DP/SR)、组装(ASM)三种CNV/SV检测方法的信号特征与融合策略，交互切换查看检出流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

读深度(RD)检测方法 基因组各位置读段覆盖深度信号波动 深度异常区间标记CNV缺失或扩增事件 CNV = depth(pos) vs baseline RD法适合大片段CNV但分辨率受限于binsize

01 | 结构变异家族图谱

作为质检员，你首先得认识“差错”长什么样。翻开一本《生命说明书》，正常人手上有两套模板，一套来自父亲，一套来自母亲，这叫二倍体。但有些册子会把这些模板搞出花样：某一整段章节连续印了两遍，这叫重复；某段内容从父亲那套里整页撕掉，这叫缺失；缺失和重复都改变了片段的“份数”，合称拷贝数变异（CNV）。更夸张的还有：一段文字被倒着写（倒位），或者干脆把第12章错装订进第5章的位置（易位）。这些大动作统称结构变异（SV）。

打个比方，单核苷酸变异（SNV）只是书里一个字母印错了，比如把“catalyst“拼成了”catalgst“；而结构变异则是”整段章节被复制、被撕掉、被掉包“。这个规模差异决定了检测思路完全不同：SNV靠”逐字母审查“的比对就能发现，CNV/SV却要借助”页数统计”“装订线检查”甚至“徒手重拼”。

在技术层面，业界通常把 ≥50 bp 的基因组结构调整归为SV。其中只涉及拷贝数增减的缺失与重复就是CNV；倒位和易位虽然不改变“份数”，却会破坏基因结构或调节元件。临床上这些差错意义重大：肿瘤里抑癌基因常因纯合缺失而失活，原癌基因则靠扩增来“超速运转”；22q11.2区域的微缺失会引发先天心脏病、免疫缺陷等一系列综合征。

认识完这些差错，你作为质检员的第一个任务就清楚了：不是每一处版面异常都叫SV，必须先判断它是否达到片段级规模、是否改变了拷贝数。只有把“字母级错误”和“章节级事故”区分开，后面的检测手段才有的放矢。

CN=2(正常),CN=1 (杂合缺失),CN=0 (纯合缺失),CN≥3 (扩增)\displaystyle CN = 2 \quad (\text{正常}), \quad CN = 1 \ (\text{杂合缺失}), \quad CN = 0 \ (\text{纯合缺失}), \quad CN \geq 3 \ (\text{扩增})
拷贝数（CN）就是“某个区域在基因组里出现了几份”，正常人是2份，少了叫缺失，多叫扩增。
  1. 正常二倍体 CN=2一对同源染色体各贡献一份拷贝，这是基因组的默认状态。
    CN=2CN = 2
  2. 杂合缺失 CN=1父母双方中只有一份拷贝被保留，另一份整段丢失。
    CN=1CN = 1
  3. 纯合缺失 CN=0两份拷贝全军覆没，该区域彻底从基因组中消失。
    CN=0CN = 0
  4. 扩增 CN≥3某片段被复制出一份或多份，拷贝数从3到几十份不等，称为扩增。
    CN≥3CN \geq 3

02 | 测序比对：把碎片放回模板

质检员要开工，第一步永远是“定位碎片”。测序仪把《生命说明书》的某一册粉碎后，吐出来的是几亿条长短不一的纸片；短读长每条只有 100~300 个碱基，像被切碎的纸条；长读长（如 PacBio、ONT）单条可达数万碱基，像撕出来的长段落。要把这些碎片放回标准模板上，靠的是比对（alignment）。

主流比对器（如 BWA）采用“种子-延伸”（seed-and-extend）策略：先在参考模板上找到一个与读序完全匹配的短小锚点（seed），相当于先把一片碎纸的某个角贴在书页上；然后从这个锚点向两侧逐步延伸、比对，看能否把整张碎片严丝合缝地贴回去。贴得越紧、错配越少，说明这个位置越可信。比对完成后，每条读序都会得到两个结果：它在参考基因组上的坐标，以及一个MAPQ质量值——好比质检员在碎片背面盖了一个“信心章”，MAPQ越高，这枚碎片摆放越可靠。

对比对结果的理解，决定了后续所有检测方法的可信度。如果碎片摆放得歪歪扭扭（MAPQ很低），那么你后面数页数、看纸缝时都会得到一堆假线索。所以质检员的第一课是：先确保每张碎片都贴对了位置，再谈侦破差错。

Q=−10log⁡10P\displaystyle Q = -10 \log_{10} P
Q 值把“摆放出错概率”转换成分数：Q=20 意味着约 1% 的出错概率，Q=30 意味着约 0.1%。
  1. 错误概率 P该碎片被摆放到这个位置的真实出错概率，P 越小越好。
    P=P(该摆放位置是错的)P = P(\text{该摆放位置是错的})
  2. Phred 转换对 P 取负对数再乘 10，把“越小的错误”映射成“越大的分数”。
    Q=−10log⁡10PQ = -10 \log_{10} P
  3. 典型阈值Q≥20 是常规比对的可接受线，意味着出错概率不超过 1%。
    Q≥20⇔P≤0.01Q \geq 20 \Leftrightarrow P \leq 0.01

03 | 覆盖深度法：数一数每页被印了几次

质检员最朴素的一招，是“数页数”。基因组的每个碱基位点都会被若干条读序覆盖，覆盖次数就是测序深度（read depth）。既然测序过程近似随机抽样，那么某个区域的拷贝数越多，被抽到的纸片自然越多，覆盖深度也就成比例地升高。把这个逻辑倒过来：如果某段区域的深度是别处的两倍，那它八成被印了两份——这就是覆盖深度法的核心。

不过，数页数前得先做两项准备。第一，把基因组切成一个个小窗口（比如 1kb），逐窗口统计平均深度，避免单碱基噪声干扰；第二，做GC 校正——高 GC 或低 GC 区域的测序效率天生偏低，会造成“那里少了几页”的假象，必须按 GC 含量分层，把每层深度归一化到全局中位数。最后，用每个窗口的深度除以全基因组基线深度，再乘上 2，就得到了该窗口的拷贝数估计值。

数页数这招对大片段的拷贝数增减特别灵，却有两个天生的盲区：它看不出断点到底落在哪个碱基，也完全察觉不到不改变拷贝数的平衡易位。所以经验丰富的质检员不会只靠数页数，还要俯下身子检查“纸缝”。

CN^w=DwDbaseline×2\displaystyle \widehat{CN}_w = \frac{D_w}{D_{baseline}} \times 2
窗口深度与基线深度的比值，就是该区域拷贝数相对正常值的倍数；比值约为1时CN=2正常，约为0.5时是杂合缺失。
  1. 窗口深度 D_w把基因组切成小窗口，统计每个窗口内的平均读序覆盖数。
    Dw=1∣w∣∑pos∈wdepth(pos)D_w = \frac{1}{|w|} \sum_{pos \in w} depth(pos)
  2. 基线深度 D_baseline全基因组所有窗口深度的中位数，代表“正常二倍体”的基准印数。
    Dbaseline=median⁡{Dw}D_{baseline} = \operatorname{median}\{ D_w \}
  3. 归一化与倍增深度比值乘 2，把倍数关系换算成拷贝数值。
    CN^w=DwDbaseline×2\widehat{CN}_w = \frac{D_w}{D_{baseline}} \times 2

04 | 断点信号法：检查装订线的裂缝

当你拿着两片本该紧挨着的碎纸，却发现它们隔了十万八千里，第一反应是什么？“中间那段肯定出事了。”这正是断点信号法的直觉。测序时，一条 DNA 片段的两端会被各测出一条读序，这叫配对末端（paired-end reads），两条读序之间的跨度叫插入片段长度（insert size）。正常文库的插入片段长度集中在某个值附近，比如 350 bp。

如果质检员发现一对配对的实测距离突然涨到几千 bp，说明两端之间的 DNA 丢失了——大片段缺失；如果距离短得不可思议，可能出现了串联重复；如果两条读序的方向从“相向而行”变成“背道而驰”，则提示倒位。更直接的证据来自分割读（split-read）：一条读序的前半段比对到 chr1，后半段却比对到 chr5，这条读序就是横跨易位断点的“接缝线”，断点位置可以被精确锚定到单个碱基。那些比对不上参考序列的软裁剪（soft clip）尾巴，常常正是断点处的“毛边”。

断点信号法的优势是“一锤定音”——能告诉你变异的边界在哪、方向如何。但它也有软肋：在高度重复的基因组区域，碎片本来就无法唯一摆放，配对信号会变成一团乱麻。这时候，质检员就需要祭出那招不看模板的“徒手拼图”。

Zisize=∣isizei−μlibrary∣σlibrary>3\displaystyle Z_{isize} = \frac{|isize_i - \mu_{library}|}{\sigma_{library}} > 3
当某条配对读序的插入片段长度偏离文库中位数超过3个标准差，就把它标记为“装订异常”候选证据。
  1. 实测插入片段 isize_i第 i 条配对读序两个端点之间的实际距离。
    isizei=posR2end−posR1startisize_i = pos_{R_2}^{end} - pos_{R_1}^{start}
  2. 文库中位数与标准差所有正常配对的插入片段分布的中心和离散度，是判断“正常装订”的参照系。
    μ=median⁡{isize},σ=median⁡{∣isize−μ∣}\mu = \operatorname{median}\{isize\},\quad \sigma = \operatorname{median}\{|isize - \mu|\}
  3. 偏离判定距离偏离超过3倍标准差时，判定为断点信号。
    Z=∣isizei−μ∣σ>3Z = \frac{|isize_i - \mu|}{\sigma} > 3

05 | 局部从头组装：不看模板的徒手拼接

当模板比对全部失灵时，质检员干脆把模板扔到一边，直接对着满桌纸片徒手拼书。这叫从头组装（de novo assembly）。拼图的依据很简单：如果两片碎纸的末尾和开头文字恰好能咬合上，它们原本就是相邻的。测序里这个“文字咬合”被量化成 k-mer——把一条读序切成固定长度 k 的连续子串，凡是共享前 k-1 个碱基的两个 k-mer，就存在一条重叠边。

把所有 k-mer 当成图的节点、把重叠关系当成边，就得到一张De Bruijn 图。顺着图上的路径一路延伸，就能把碎片拼成更长的重叠群（contig）。面对重复序列这张图会分出很多“叉路”，但长读长（读序本身就能跨越重复单元）和高覆盖度（重复区的 k-mer 丰度更高）能帮你判断哪条路是真的。在实际项目中，很少有人对整个基因组做从头组装——计算开销太大了，更聪明的做法是局部组装：先锁定断点附近的几百到几千个碱基，只对这个局部区域建图，把“印刷差错”的完整段落原样还原出来。

徒手拼接虽然慢，却是最“实事求是”的一招：它不依赖模板的既有编排，能还原出模板上根本不存在的插入序列。但正因为它慢，聪明的质检员总是把这三招组合起来用——数页数圈出可疑区域，看纸缝找到断点，再用局部组装精细还原。三种线索交叉印证，才是现代检测算法的真正王牌。

contig=kmer1→k−1 overlapkmer2→k−1 overlap⋯⋯→k−1 overlapkmern\displaystyle contig = kmer_1 \xrightarrow{k-1 \text{ overlap}} kmer_2 \xrightarrow{k-1 \text{ overlap}} \cdots \cdots \xrightarrow{k-1 \text{ overlap}} kmer_n
从头组装的核心就是把 k-mer 一个个“咬合”起来，直到拼出一条足够长的连续序列。
  1. k-mer 切分一条长读序被切成一系列长度为 k 的连续子串。
    read=s1s2⋯sL⇒{sisi+1⋯si+k−1}read = s_1 s_2 \cdots s_L \Rightarrow \{s_i s_{i+1} \cdots s_{i+k-1}\}
  2. 图节点与边每个 k-mer 是一个节点；若两个 k-mer 的 k-1 个碱基首尾重叠，则连一条边。
    (u,v)∈E⇔suffixk−1(u)=prefixk−1(v)(u, v) \in E \Leftrightarrow suffix_{k-1}(u) = prefix_{k-1}(v)
  3. 沿边延伸不断沿重叠边前进，把短 k-mer 链拼成长 contig。
    contig=kmer1→kmer2→⋯→kmerncontig = kmer_1 \to kmer_2 \to \cdots \to kmer_n

06 | 融合策略：让线索互相印证

质检员的案头堆积着三份证据：覆盖深度报告、配对/分割读断点信号、局部组装结果。单独看任何一份都可能误判——深度异常可能来自 GC 偏好，断点信号可能源自比对错误，组装图上的叉路可能是重复序列捣鬼。融合策略就是让三份证据“会审”：只有同时被多条独立线索支撑的变异，才够资格写进最终报告。

深度法擅长发现大片段的拷贝数增减，却给不出精细断点；断点法断点精确，但对纯合缺失（整段消失，没有配对可查）无能为力；组装法最全面但计算昂贵。于是工程界的标准做法是“各取所长”：用 Manta、Delly 这类工具收集断点证据，用 CNVkit、FREEC 从深度出发估计拷贝数，再对有争议的区域做局部组装复核。每个候选变异会得到一个综合置信度——把各证据的可靠性看作概率，用并集公式把“至少一个证据支持该变异”的概率算出来。

融合并非简单地“多者票决”，而是要让不同类型的噪声互相抵消：错误的深度波动很难同时制造出完美的 split-read 断点，而偶然的比对噪声也很难在深度上留下痕迹。只有经过这种会审的变异，才有资格进入临床报告——毕竟，你要交给医生的不是一个“疑似差错”，而是一条经得起复核的铁证。

conf=1−∏e=1E(1−pe)\displaystyle conf = 1 - \prod_{e=1}^{E} (1 - p_e)
当三个证据各自有 80% 的可信度时，综合置信度是 1-(0.2)³=99.2%，远高于单个证据——这就是“多证据交叉验证”的数学底色。
  1. 单个证据置信度 p_e深度、配对、分割读、组装这四类证据各自判定“SVT为真”的概率。
    p1=P(SV∣depth), p2=P(SV∣paired), p3=P(SV∣split)p_1 = P(\text{SV}|\text{depth}),\ p_2 = P(\text{SV}|\text{paired}),\ p_3 = P(\text{SV}|\text{split})
  2. 单证据遗漏概率每个证据“漏判”该变异的概率是互补事件。
    P(misse)=1−peP(\text{miss}_e) = 1 - p_e
  3. 并集概率所有证据同时漏掉该变异的概率连乘，用 1 减去它，就是综合置信度。
    conf=1−∏e=1E(1−pe)conf = 1 - \prod_{e=1}^{E} (1 - p_e)

07 | 工程化部署：把侦破术变成流水线

把三招融会贯通之后，质检员面临的下一个问题是：每天有几百本册子要检查，靠手工作业根本来不及。于是你要把这些侦破术封装成一套自动化的检测流水线——这正是工程化部署要解决的事。业界常用 Snakemake 或 Nextflow 这类工作流引擎，把“比对 → 质控 → 深度统计 → 断点检测 → 融合过滤 → 注释 → 报告”每一步串成可重跑、可断点续跑的管道。

工程化有两个关键点。第一是质控先行：比对率、平均深度、插入片段分布、duplicate 比例，任何一项不达标都要在源头拦截，否则下游所有检测都是沙上建塔。第二是并行与资源管理：按染色体分块并行、用大内存节点跑组装、用容器（Docker/Singularity）封装工具版本，保证流程在实验室服务器和云端都能复现。最后，评估这套流水线好不好，不能只看检出多少个变异，而要看精确率（Precision）和召回率（Recall）——一个检得准但漏一半的流程，和一个查得全但全是假阳性的流程，都不合格。

从概念验证到生产部署，是一条清晰的上坡路：先在几十例样本上用小规模流程跑通、人工复核每一个候选变异，确认敏感性和特异性达标；再迁移到集群、加上自动质控和并行加速；最后把 VCF 注释结果和 IGV 可视化装订成给临床医生的报告。当年那个手工翻纸片的质检员，如今坐在控制台前看着流水线自动运转，心里清楚：每一份报告背后，都是数页数、看纸缝、徒手拼这三招的精密协同。

F1=2×Precision×RecallPrecision+Recall\displaystyle F1 = \frac{2 \times \text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}
F1 分数是精确率与召回率的调和平均，兼顾“查得准”和“查得全”，是评估 SV 检测流程性能的黄金指标。
  1. 精确率 Precision在所有报警的候选中，真正是 SV 的比例。
    Precision=TPTP+FP\text{Precision} = \frac{TP}{TP + FP}
  2. 召回率 Recall在所有真实存在的 SV 中，被成功检出的比例。
    Recall=TPTP+FN\text{Recall} = \frac{TP}{TP + FN}
  3. 调和平均两个指标一起看，取调和平均得到单一分数 F1。
    F1=2×Precision×RecallPrecision+RecallF1 = \frac{2 \times \text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}

AI 应用场景

肿瘤精准医疗：从组织中寻找“驱动差错”

阶段：变异检测与靶向用药分析

解决的问题：肿瘤组织测序中，ERBB2（HER2）等原癌基因的扩增直接决定是否适用靶向药；TP53 等抑癌基因的纯合缺失则提示预后不良。传统 FISH 检测只能看几个已知位点，且依赖人工判读，通量低、主观性强。

具体案例：某三甲医院病理科对乳腺癌患者的肿瘤-正常配对样本做全外显子测序，用覆盖深度法（CNVkit）扫描全外显子拷贝数谱，再用断点信号法（Manta）复核 ERBB2 扩增的边界。当深度比值超过 2.2 且断点支持率达 90% 时，报告直接推送“HER2 扩增阳性，推荐抗 HER2 靶向治疗”，整个流程从测序数据到临床报告只需 48 小时。

罕见病诊断：为微缺失综合征“定案”

阶段：遗传变异注释与临床解读

解决的问题：22q11.2 微缺失、16p11.2 微重复等染色体微缺失/微重复综合征，片段小（几百 kb 到几 Mb）、常规核型分析看不见，却不及时发现会造成严重先天缺陷。诊断的核心是把 CNV 从海量测序噪声中干净地捞出来。

具体案例：一家基因检测公司收到一位发育迟缓患儿的全基因组测序数据。流水线先用滑窗深度法检出 chr22 长 1.5 Mb 的杂合缺失候选，再用 paired-end 断裂证据确认断点精确位置，最后通过局部组装拼出断点连接序列。三路证据会审后，报告给出“22q11.2 缺失综合征”的诊断建议，遗传咨询师据此为家庭提供后续指导。

无创产前检测：从母血碎片中数出胎儿异常

阶段：游离 DNA 定量与拷贝数分析

解决的问题：孕妇外周血中存在少量胎儿游离 DNA，如果胎儿 21 号染色体多了一份（唐氏综合征），那么 21 号染色体区域的测序深度会比正常参考染色体高约 1.1 倍。这个信号极其微弱，必须靠高深度测序和严格的 GC 校正才能稳定捕捉。

具体案例：某 NIPT 检测中心每天处理数千例孕妇血样。流程对每条染色体计算 Z 分数，将 chr21 深度与性染色体、其他常染色体深度对比，结合 GC 分层校正消除文库偏差；一旦 Z>3.5 且跨多窗口一致，自动判为 21 三体高风险。这套“数页数”的智慧，每天守护着数万个家庭的产检决策。

Python 演示

python43 行
"""滑窗覆盖度CNV检测演示：从模拟测序深度中自动找出拷贝数变异区段"""import numpy as np  def simulate_depth(length=20000, mean_depth=60, dup_start=12000,                   dup_end=15000, dup_copy=3, seed=7):    """生成模拟深度数据：duplication区域覆盖度翻倍，并叠加GC偏好波动"""    rng = np.random.default_rng(seed)    depth = rng.poisson(mean_depth, length).astype(float)    # 复制区覆盖度乘上拷贝数比例（3份/2份=1.5倍）    depth[dup_start:dup_end] *= dup_copy / 2.0    # 模拟GC偏好造成的系统性正弦波动    gc_bias = 1 + 0.3 * np.sin(np.linspace(0, 6 * np.pi, length))    return np.clip(depth * gc_bias, 0, None)  def detect_cnv(depth, window=500, step=250, z_thresh=2.0):    """滑窗均值 -> 基线校正 -> z分数 -> 连续超阈值窗口合并成区段"""    starts = np.arange(0, len(depth) - window, step)    win_means = np.array([        depth[s:s + window].mean() for s in starts    ])    baseline = np.median(win_means)    std = win_means.std() + 1e-6    z = (win_means - baseline) / std    regions = []    flag = z > z_thresh    for i in range(len(flag)):        if flag[i] and (not regions or starts[i] - regions[-1][1] > step * 2):            regions.append([starts[i], starts[i] + window])        elif flag[i]:            regions[-1][1] = starts[i] + window    return regions, win_means, baseline  if __name__ == "__main__":    depth = simulate_depth()    regions, win_means, baseline = detect_cnv(depth)    print("估计基线深度: %.1f" % baseline)    print("滑窗数量: %d" % len(win_means))    for r in regions:        mean_cn = depth[r[0]:r[1]].mean() / baseline * 2.0        print("检出扩增区段 [%d, %d), 估计拷贝数约 %.2f" % (r[0], r[1], mean_cn))
目的：用模拟的测序深度数据，完整跑一遍“滑窗统计 → 基线归一化 → 阈值筛选 → 区段合并”的 CNV 检测主流程。
  1. rng.poisson(mean_depth, length)用泊松分布模拟真实测序中每个位点的随机覆盖次数。
  2. depth[dup_start:dup_end] *= dup_copy / 2.0在复制区把深度抬高 1.5 倍，模拟“多印了一份”的覆盖度效应。
  3. 1 + 0.3 * np.sin(...)模拟 GC 偏好导致的系统性深度波动，考验算法的稳健性。
  4. win_means把连续深度压缩成每个滑窗的平均值，降低单碱基噪声。
  5. np.median(win_means)以全基因组窗口的中位数作为“正常二倍体”的基线深度。
  6. z = (win_means - baseline) / std计算每个窗口偏离基线的标准差倍数，即 Z 分数。
  7. flag = z > z_thresh把 Z 分数超过 2.0 的窗口标记为候选异常。
  8. regions[-1][1] = starts[i] + window将相邻的超阈值窗口合并成一个连续区段。

常见误区

误区反正都叫变异，把数据丢进 GATK HaplotypeCaller，顺便把 CNV 也检出来不就行了？

正解SNV 检测靠的是“单个碱基不一致”的比对信号，而 CNV 是整段的拷贝数变化。杂合缺失区域仍有另一半拷贝能正常比对，SNV 流程根本看不到“深度减半”的信息；纯合缺失区域比对直接断崖，SNV 软件只会把它当“空白”跳过。必须专门做覆盖深度统计或断点检测，才能捕捉这些信号。

为何常见：初学者接触 VCF 时看到里面既有 SNP 又有 indel，容易误以为所有变异都在同一个比对框架里处理；再加上 GATK 的 GUI 界面很友好，就产生了“一套流程包打天下”的错觉。

误区覆盖度高的地方就是扩增，覆盖度低的地方就是缺失，写个脚本数一数就完事了。

正解真实测序深度受 GC 含量、文库扩增偏倚、基因组 mappability、肿瘤样本纯度和倍性等多重因素干扰。高 GC 区测序效率低，会伪装成缺失；肿瘤样本若纯度只有 50%，一个真实的三拷贝扩增在深度图上只比基线高 1.25 倍，肉眼根本分不清。必须做 GC 校正、多窗口归一化，并配合样本纯度建模，才能把信号从噪声里提出来。

为何常见：讲解 read depth 原理时常用“数页数”的简化比喻，学习者记住了直觉却忽略了工程细节；等到在真实数据上画出来一看，发现深度曲线像心电图一样抖动，才意识到问题没那么简单。

误区长读长一条就能跨过断点，重复序列也不再可怕，那还用短读长干嘛？

正解长读长的单碱基错误率（尤其 ONT）目前仍比短读长高一个数量级，而且单位成本高、总产量低，导致深度往往不足。短读长在精确碱基、高深度定量、低频变异检测（如肿瘤亚克隆）上依然不可替代。工程实践中的主流策略是“长短互补”：短读长做群体筛选和高深度定量，长读长对候选区域做局部组装确认。

为何常见：科普文章常渲染“长读长彻底解决重复序列”，让读者以为它是银弹；实际上成本、错误率和通量这三个工程约束，决定了它在当前流程里只是“帮手”而非“替代者”。

误区把阈值调低，检出几百个SV，感觉比检出几十个的流程厉害多了。

正解临床场景里每个候选变异都要人工复核或验证，假阳性率过高会让医生和生信工程师淹没在无效警报里。追求极致灵敏度必然牺牲精确率，最终报告的可信度反而下降。标准做法是先定义“哪些变异值得报告”（如长度 ≥1kb、落在基因区、有断点证据），再在 Precision-Recall 曲线上选一个平衡点；很多流程还会用 F1 分数做交叉验证集上的阈值选择。

为何常见：实验室里“检出率”是直观的 KPI，初学者容易把“多”等同于“好”；但真正的临床价值是“准确”，这正是业界强调用基准样本（如 Genome in a Bottle）评估整套流程的原因。

误区这条 split-read 的 MAPQ 有 60，断点肯定是真的，不用再复核。

正解MAPQ 只回答“这条读序摆放位置的唯一性有多高”，不回答“此处是否存在真实变异”。一条嵌合读序可能是真正的易位断点，也可能是参考基因组组装错误、样品交叉污染或嵌合 PCR 产物。真正要确认一个 SV 是真实的，需要看多条独立证据：异常配对的支持数量、两侧 soft-clip 的一致性、深度上是否配套变化，以及 PCR-free 建库是否仍能重复出现。

为何常见：比对软件对每条读序都输出 MAPQ，数值直观、好看；新手很容易把“高置信比对”误当“高置信变异”，忽略了比对证据与变异证据是两个层面的事实。

面试题

Q1. 拷贝数变异（CNV）与单核苷酸变异（SNV）最主要的区别是？

单选题 · easy

  • A.影响的序列规模不同← 正确答案
  • B.检测的成本不同
  • C.是否遗传获得不同
  • D.只发生X染色体上

答案：A。CNV 影响的序列规模通常在 50 bp 以上至数 Mb，而 SNV 只涉及单个碱基的改变；规模差异决定了两者检测方法完全不同：SNV 靠逐碱基比对，CNV 要靠深度或断点信号。成本与遗传方式都不是核心区别。

Q2. 一个杂合缺失（heterozygous deletion）区域的拷贝数 CN 是多少？

单选题 · easy

  • A.CN=0
  • B.CN=1← 正确答案
  • C.CN=2
  • D.CN=3

答案：B。正常二倍体每个位点有两条拷贝（CN=2），杂合缺失意味着两条同源染色体中只有一条保留了该区域，另一条整段丢失，因此 CN=1。CN=0 是纯合缺失，CN=3 是三拷贝扩增。

Q3. 基于 read depth 的 CNV 检测，其核心假设是什么？

单选题 · mid

  • A.读序长度必须完全均匀
  • B.覆盖深度与该区域拷贝数成正比← 正确答案
  • C.比对质量值保持一致
  • D.GC 含量不影响测序深度

答案：B。测序近似随机抽样，拷贝数越高的区域被抽到并测出的读序越多，深度与拷贝数成正比，这是深度法的根基。读序长度不均、比对质量波动、GC 偏好都是实际存在的扰动，需要通过校正和归一化处理，而非假设它们不存在。

Q4. 配对末端 reads 的插入片段长度显著大于文库中位数，最可能提示什么？

单选题 · mid

  • A.发生了倒位变异
  • B.发生了大片段缺失← 正确答案
  • C.发生了拷贝数增加
  • D.只是GC偏好造成

答案：B。正常配对该 reads 两端间隔约等于文库插入片段长度；若中间 DNA 大段缺失，两端之间的距离就会异常增大。倒位通常表现为方向异常而非单纯距离变大，深度异常才是拷贝数增加的信号。

Q5. 一条 split read 的前半段比对到 chr1、后半段比对到 chr5，最可能说明什么？

单选题 · mid

  • A.测序仪随机错误
  • B.参考基因组有N碱基
  • C.存在染色体易位← 正确答案
  • D.文库发生了污染

答案：C。一条读序横跨两个不同染色体的比对位置，是易位断点的直接证据——它本身就是在断点处被切断后连起来的嵌合片段。虽然需排除比对软件错误，但跨染色体信号首先应作为结构变异候选，而不是当作噪声丢弃。

Q6. 下列哪些信号可以用于结构变异的检测？

多选题 · mid

  • A.覆盖深度异常← 正确答案
  • B.成对末端距离异常← 正确答案
  • C.分割读序跨断点← 正确答案
  • D.碱基质量值高低

答案：ABC。深度异常反映拷贝数增减，成对末端距离/方向异常提示大片段缺失、插入或倒位，分割读序直接跨越并锚定断点，三者都是 SV 的标准证据。碱基质量值只描述单碱基测序的可信度，不提供任何结构信息。

Q7. 为什么要对测序深度做 GC 校正？

单选题 · easy

  • A.为了提升测序仪的运行速度
  • B.GC含量不同的区域测序效率不同← 正确答案
  • C.为了延长读序的比对长度
  • D.为了消除PCR的指数增长

答案：B。PCR 扩增阶段对高 GC 和低 GC 区域的效率存在偏差，导致这些区域的覆盖深度系统性偏离真实拷贝数，深度法会把这种偏差误判成 CNV。GC 校正的作用就是对不同 GC 分层的深度做归一化，消除这种系统性假象。

Q8. 与短读长测序相比，长读长测序在 SV 检测中的优势包括哪些？

多选题 · hard

  • A.更容易跨越重复序列区域← 正确答案
  • B.单条读序可直接覆盖断点← 正确答案
  • C.单碱基错误率显著更低
  • D.单位测序成本显著更低

答案：AB。长读长可达数十 kb，能跨过重复单元直接连到断点两侧，使重复区的比对与组装大为简化。但它的单碱基错误率通常比短读长更高，成本也更高，因此 C、D 说法错误；工程上常让两者互补使用。

Q9. 平衡易位（balanced translocation）不改变拷贝数，因此它的检测策略应该是？

单选题 · hard

  • A.用覆盖深度法一定可以检出
  • B.依靠断点信号或组装检测← 正确答案
  • C.它不属于结构变异范畴
  • D.它不会引起任何疾病

答案：B。平衡易位只是 DNA 片段位置互换、总量不变，深度图上没有任何变化，必须依赖配对末端方向/距离异常、分割读断点或从头组装才能发现。它属于 SV 的一种，且可导致疾病（如 BCR-ABL 融合）——费城染色体正是典型的平衡易位。

Q10. 融合深度、配对和 split-read 三种证据检测 SV 的主要好处是？

多选题 · mid

  • A.提升断点定位的精度← 正确答案
  • B.降低假阳性的比率← 正确答案
  • C.彻底消除全部噪声
  • D.互补各方法的盲区← 正确答案

答案：ABD。深度证据给出拷贝数变化区域，配对和 split-read 给出断点位置，三者交叉印证既能互相补充盲区（如深度法看不到平衡易位，断点法对纯合缺失无力），也能剔除偶然的单证据噪声。但“彻底消除噪声”过于绝对，任何检测都有误差残留。