全基因组测序：从技术原理到科研级应用的数据化解读

全基因组测序（Whole Genome Sequencing, WGS）已从十年前的单样本百万级成本，降至当前科研级批量服务的千元量级。这一价格曲线的陡降并非简单的商业竞争结果，而是建库化学、测序芯片密度与生物信息分析流程三者协同优化的产物。对于从事遗传学、肿瘤学、微生物组学研究的实验室而言，理解WGS的技术边界与数据产出特征，比单纯比较报价更具实际意义。

一、技术路线：二代测序仍是WGS的主力平台

当前科研外包市场中，WGS的主流实现方式为二代测序（NGS）短读长平台。以Illumina NovaSeq X Plus为例，单次运行可产出约2600亿条reads，配合PCR-free建库方案，人类基因组30×覆盖度的原始数据量约为90–100 Gb。值得注意的是，覆盖度均匀性比平均深度更能反映数据质量——基因组中GC-rich区域和重复序列区域的覆盖缺口，往往是后续变异检出假阴性的主要来源。

对于需要解析结构变异（SV）和复杂重排的研究，长读长平台（PacBio HiFi、Oxford Nanopore）提供了互补方案。HiFi reads中位长度已达15–20 kb，单碱基准确率超过99.9%，在检测大片段缺失、倒位和串联重复扩增方面具有短读长难以替代的优势。实际项目中，不少实验室采用"短读长定变异+长读长定结构"的混合策略，这一组合在罕见病致病结构变异鉴定中的检出率提升已有多个队列研究支持。

二、数据产出与生物信息分析的关键节点

WGS项目的价值并不止于测序本身。从原始下机数据到可解释的变异列表，中间涉及质控、比对、变异 calling、过滤注释等多个环节。以GATK最佳实践流程为例，BWA-MEM比对后需经过标记重复、碱基质量重校准（BQSR）、HaplotypeCaller局部重组装等步骤，单样本30×数据的全流程计算在32核服务器上约需6–10小时。

• 质控指标：Q30比例应≥85%，比对率≥99%，重复率控制在5%以内（PCR-free建库）；
• 变异检出：SNP/Indel的召回率与精确率需结合正交方法（如SNP分型芯片）验证，尤其在低覆盖区域；
• 注释与解读：基于VEP或ANNOVAR的功能注释需整合人群频率数据库（gnomAD）、致病性数据库（ClinVar）和保守性预测，避免仅凭单一证据判定致病性。

科研测序外包中常见的质量争议，多集中在"数据交付标准"的界定上——是交付fastq、bam还是含注释的vcf，直接决定了后续分析的工作量与责任边界。委托方在项目启动前明确交付层级，比事后追溯更能保障研究进度。

三、真实应用场景与行业数据

在群体遗传学领域，千人基因组计划（1KGP）及其后续扩展队列已积累超过6000个个体的WGS数据，为全球人群变异频率谱提供了基线参考。在肿瘤研究中，ICGC/TCGA项目对数千例肿瘤-正常配对样本进行WGS，揭示了驱动突变的频谱特征与克隆演化轨迹。国内方面，多项大型队列研究（如ChinaMAP）已完成数万例深度WGS，其数据表明中国人群在药物代谢基因（如CYP2D6）上的等位基因频率分布与欧洲人群存在显著差异，这对精准用药的本地化解读具有直接参考价值。

微生物与宏基因组方向同样受益于WGS成本下降。细菌完成图级别的de novo组装，结合长读长数据，已能实现染色体与质粒的完整闭环，为耐药基因的水平转移研究提供高分辨率证据。

四、选型建议：从研究问题反推技术方案

WGS并非所有遗传学问题的默认答案。若研究目标明确限定于已知SNP位点的分型，靶向芯片或扩增子测序在成本与通量上更具优势；若关注转录调控层面，转录组测序（RNA-seq）提供的是表达量信息而非序列变异。WGS的适用场景集中在：未知致病变异的发现、结构变异解析、线粒体基因组与核基因组的联合分析，以及需要全基因组水平变异图谱的群体研究。

对于预算有限但样本量较大的项目，低深度WGS（5–10×）结合基因型填充（imputation）是群体频率分析的可行折中方案，其基因型准确率在常见变异位点上可达到与高深度测序高度一致的水平。方案的选择最终应回归研究问题的统计效力需求，而非单纯追求测序深度数字。