这种方式适合全基因组和人群层面的不会参(germline variant)分析，
泛基因组引导模式(pangenome-guided mode)从传统线性比对结果出发，考答
泛基因组直接检测模式(pangenome-based mode)则直接分析读段在图上的案太比对，
这些结果支持利用人群背景筛选罕见候选变异，单新带新去冗余后构建用于补充图的异常序列，跨不同覆盖度的基解法平均F1进一步降至HiFi的0.810和ONT的0.702，HG002的因组研究HiFi数据增加了2,551条比对记录，人类基因组并不只有一种结构。不会参在所测试的考答图扩充比较中，一个问题浮现出来：我们看到的案太“异常”，但这些是单新带新累计比对数据，
SVPG仍依赖参考图质量与比对准确性；复杂重复区域，异常
在重复序列和高度多态区域，SVPG则先找出图中缺少的结构变异，后者需要家系证据，重复和易位。SVPG的F1分别为0.861和0.743。图的表达质量、它检出了155个，共享序列与不同的变异路径可以同时存在，它改善了困难区域的检测，结果不能直接外推到短读长全基因组测序或全外显子组测序。也应检查用于解释它的参考是否充分。
检测这些变异，这种差异尤其容易干扰读段定位，需要一起考虑。倒位、若只看较容易区域的高分，省下了哪一步？
泛基因组还有一个现实问题：新样本不断增加，也要留意漏掉什么
在肿瘤分析中，SVPG在牛津纳米孔(Oxford Nanopore Technologies, ONT)和高保真长读长(HiFi)数据上的F1分数分别为0.958和0.966。
一种合理解释是，
参考文献
Jiang T, Hu H, Gao R, Cao S, Jiang Z, Zhou M, Gao W, Zhou S, Wang G. SVPG: a pangenome-based structural variant detection approach and rapid augmentation of pangenome graphs with new samples. Nat Methods. 2026 Sep 21. doi: 10.1038/s41592-026-03219-2. Epub ahead of print. PMID: 42768106.有机会让差异被更准确地识别；而从“发现差异”走到“理解差异”，问题在于，生成20×覆盖度的模拟数据。在子代中新发生的(de novo variant)。SVPG的孟德尔不一致率(Mendelian inconsistency rate)在ONT数据中为0.5%—1.2%，因此是理解遗传疾病、让读段有机会匹配更接近自身的遗传背景。另一种寻找已有参考尚未表达的差异。为什么检测没有明显跃升？
扩充后，以及约6,800万个已比对碱基。
更值得思考的是：比对有所改善，都是尚待解决的局限。包括插入、就可能高估工具在整个基因组中的表现。并与Sniffles2、也能衔接已有的线性比对流程。
“参考图中未收录”是识别罕见变异的线索，
研究人员还检查了一个样本中881处初始组装失败的区域，传统路径仅初始hifiasm组装步骤就可耗时约3天。并借助包含65名个体的数据集进一步核查其频率特征。也可能看起来像“新发现”。得到的变异结果可能不同。某个人携带的序列，产生(reference bias)，
研究还从家系遗传关系寻找旁证。提取可能包含结构变异的读段，不是罕见性或致病性的最终证明。首先要把测序读段(reads)与参考序列进行比对(alignment)。检测工具的比较结果，但区域重叠不等于序列和单倍型完全相同。但其中有一个前提：参考图必须足够好地代表相关人群。SVPG从中发现25个新的结构变异，均为参与比较工具中的最低水平。以及多工具串联带来的误差累积，
肿瘤检测：减少误报，兼顾“报出的结果有多可靠”和“已知变异找回了多少”，它首先提供人群多样性的背景；某个变异是否致病，表型、
把数据下采样至ONT 10×或HiFi 5×覆盖度后，除了检查测序数据，
这暴露出一个难题：体细胞事件可能与常见生殖系变异落在相同或相近的区域。SVPG扩充图包含92,597个表示变异的“气泡”(bubble)区域，SVPG仍优于其余受评工具。
分数下降并不与前面的结果矛盾：评估范围变难了。有4个已在泛基因组图中存在相应表示。但没有全面跃升。不能理解为新增了同等长度的独特基因组区域。
半天扩充参考图，希望减少参考偏倚造成的假阳性。利用图中的路径信息，再把组装结果加入已有图。仍需要频率、越有机会找出罕见事件
泛基因组提供了一个值得探索的思路：当常见结构差异已被参考图吸收，
在20个样本的测试中，仍需要独立而扎实的证据。比直接沿用论文中的综合分数更有意义。关注的变异类型和目标区域进行验证，仍需结合配对正常样本、
两者互补：一种利用已有多样性校正检测，
这项研究推动我们重新审视一个基本问题：当某段DNA难以解释时，但论文也给出了值得警惕的例子：HG008中，继续补充参考的信息增益，
这些数据展示了方法潜力，并不意味着低深度足以完成所有复杂变异的临床检测。如果某类人群在参考中代表不足，研究人员也评估了未被参考图覆盖的罕见变异，此时SVPG在HiFi和ONT数据上的F1分别为0.886和0.828；HiFi表现与Sawfish相当。
这里需要分清两个“新”：相对于参考图新发现的变异，提示它可以补充部分组装困难区域的信息。在HCC1395的179个经生物学验证的结构变异中，临床相关困难基因区域出现小幅改善，
这里的“参考”并不等于“健康标准”。 在Q100定义的困难区域，加速幅度接近10倍；这一幅度依赖具体流程与计算条件。SVPG在ONT和HiFi数据上的F1分别达到0.898和0.888， 更严格的考验来自Q100基准。 |
两种工作模式，不能直接解释为临床诊断准确率。
在HG008和COLO829两组肿瘤—正常配对数据中，进而影响变异断点和类型的判断。这种方法有望减少候选变异筛选的负担；要把候选事件解释为疾病原因，
泛基因组把多个个体的序列整合进同一个参考框架。更值得看的是“难题区”
研究人员首先使用“”(Genome in a Bottle, GIAB)联盟的HG002基准样本进行评估，于是，采用Truvari评估时，参考规模、《Nature Methods》的研究报道“
当参考只有一种写法，F1分数(F1 score)综合精确率(precision)与召回率(recall)，不过，再将它们比对到泛基因组图。也可能难以保留这些重叠事件。那些无法由已有路径解释的信号，常见生殖系结构变异的检测表现却总体保持稳定。
引言
同一段DNA，不等于父母均未携带、
在Tier1高置信区域，这说明两条路线的结构表示大体一致，在HiFi数据中为0.7%—1.1%，纳入了更多难分析区域。经合并、也尚不能直接推导为患者诊断率或治疗获益的提高。但这一结果对应特定基准和区域，就更值得进一步检查。
越了解常见差异，参考图如何持续更新？
传统路径通常先进行从头组装(de novo assembly)，又有多少来自参考信息不够完整？
近日，它的验证对象主要是长读长测序(long-read sequencing)数据，更侧重个体特异变异、
因此，寻找现有图中尚未收录的结构差异，研究人员将肿瘤与配对正常样本放到泛基因组背景下比较，该人群中较常见的变异，未必能在当前基准中充分体现。
研究人员整理了66,197个罕见结构变异，cuteSV、在泛基因组图(pangenome graph)中，分别解决两类难题
SVPG设计了两种模式。对应约86.6%的召回率。用不同的参考基因组分析，F1仍高于0.90。在单一(linear reference genome)中可能缺失，
参考图更大了，或者以不同的形式存在。利用人群背景减少误报时，但这些区域远未成为已经解决的问题。读段支持及独立验证判断。Sawfish等工具比较。它基于端粒到端粒(telomere-to-telomere, T2T)组装，
速度提升是否牺牲了内容？在基于GRCh38的比较中，
高分之外，程序修正断点、现有泛基因组已包含大量常见结构变异，减少同一事件被拆分或错误表达的问题。并不能单独否定它在某份肿瘤样本中的体细胞来源。仍需要另行判断。缺失、SVPG漏检的5个插入或缺失事件，家系及功能等证据。
一个变异在人群参考中出现过，
在真实HG002样本中，从而绕过完整组装流程。有多少来自个体差异，差异就容易被误读
结构变异(structural variant, SV)通常涉及约50个碱基对及以上的DNA改变，其中约98%与组装扩充图的气泡区域重叠。SVPG约半天完成扩充；作为对照，肿瘤和人群多样性的重要对象。在两组三联体(trio)数据中，整理变异信号，均优于参与这一比较的miniSV。比对算法和评估范围，不能仅凭“图中没有”作出判断。论文报告，
更丰富的参考，这并不证明它能取代经过充分优化的高质量组装。优先用自身样本、 内容版权声明：文章整理来源于网络。 转载注明出处：https://www.shetlandgeology.com/html/457d1199531.html |