本文目录导读：
SNP（单核苷酸多态性）检测是生物信息学和基因组学中的核心任务，通常指识别个体基因组相对于参考基因组的单碱基差异（如 A->G, C->T 等）。
以下是关于 SNP 检测的完整技术指南，涵盖方法、数据流程、常用工具及注意事项。
检测数据的类型
SNP 检测主要基于两种测序技术：
- 全基因组测序（WGS）
- 优点：覆盖整个基因组，可检测低频突变、结构变异。
- 缺点：成本较高,数据量大。
- 全外显子组测序（WES）
- 优点：只测编码区（约1-2%的基因组），成本低，数据量小,适合寻找与疾病相关的错义突变。
- 缺点：无法检测内含子、调控区、基因间区的SNP。
- 基因分型芯片（Array）
- 优点：极低成本，适合大规模人群（GWAS研究）。
- 缺点：只能检测已知位点,无法发现新突变。
标准数据处理流程（以 NGS 数据为例）
这是最主流的 SNP 检测流程（通常称为 GATK Best Practices 或类似流程）：
步骤 1：质量控制
- 工具：FastQC, Trimmomatic, fastp
- 操作：去除低质量碱基、 adapter（接头序列），过滤短 reads（读长）。
步骤 2：比对
- 工具：BWA-MEM（最常用），Bowtie2
- 过程：将 clean reads 比对到参考基因组（如 hg38/GRCh38）。
- 输出：SAM文件 (\rightarrow) 排序、去重 (\rightarrow) BAM文件。
步骤 3：预处理（关键）
- 标记重复：使用 Picard MarkDuplicates 去除 PCR 扩增造成的重复 reads。
- 碱基质量重校正（BQSR，Base Quality Score Recalibration）：使用 GATK BaseRecalibrator，根据已知的已知SNP位点（如 dbSNP、1000 Genomes）重新校准碱基的测序质量分数（Phred score）,这是提高准确性的关键步骤。
步骤 4：变异检测
- 工具：GATK HaplotypeCaller（行业金标准），或者 Freebayes, Samtools mpileup + bcftools。
- 原理：在目标区域，通过局部重比对（de novo assembly）重建单倍型，然后比较每个位点与参考基因组的差异，计算概率（PL score）。
- 输出：VCF文件（Variant Call Format，标准变异检测格式）。
步骤 5：过滤与质控
- 硬过滤：基于 FS（Fisher链不平衡）、QD（质量/深度）、SOR（链偏好）、ReadPosRankSum 等指标，过滤假阳性。
- QD < 2.0 || FS > 60.0 则标记为低质量。
- 软过滤：使用 VQSR（Variant Quality Score Recalibration），利用已知的真理集（如 HapMap、Omni）训练模型,自动过滤。
- 人工验证：通过 IGV（Integrative Genomics Viewer）查看可疑位置。
常用工具对比
| 工具 | 特点 | 适用场景 |
|---|---|---|
| GATK | 最权威，流程完善，准确率高，但速度较慢。 | 人类基因组，医学研究，需要高置信度。 |
| Freebayes | 开源，速度快，支持多倍体。 | 非人类物种、细菌、植物（多倍体）。 |
| BCFtools/Samtools | 轻量级，管道集成度高。 | 快速筛查，对准确性要求不极端时。 |
| DeepVariant | 基于深度学习（CNN，卷积神经网络），准确性极高。 | 疑难位点、低深度测序。 |
| Strelka2 | 专为肿瘤-正常配对设计，速度快。 | 肿瘤体细胞突变检测。 |
重要指标与假阳性排查
在查看 VCF 文件时，请关注以下几个关键过滤指标：
- QUAL（质量分数）：Phred 标度的质量值（Q30表示99.9%准确）。
- DP（Depth，深度）：覆盖该位点的 reads 总数。通常要求 DP >= 10，肿瘤样本可能需要更（20-30）。过高（如>1000）可能是重复或假基因区域。
- GQ（Genotype Quality，基因型质量）：该样本基因型判断的可靠程度。
- AF（Allele Frequency，等位基因频率）：在人群中（或该样本中）该变异的比例。
- AD（Allele Depth，等位基因深度）：参考等位基因和变异等位基因的 reads 数。
AD=100,50表示 100条支持参考,50条支持变异。
常见假阳性原因：
- 同源序列/假基因：reads 比对到多个位置,导致误判。
- 测序错误：尤其在 read 末端（低质量区域）。
- PCR 重复：未正确去除重复导致的低频假阳性。
- INDEL 附近：对齐错误导致的 SNP 假阳性。
如何进行一次靠谱的SNP检测？
如果你是一个新手，推荐使用以下简化但标准的流程：
- 数据：组装的 FQ/FA 文件。
- 比对：
bwa mem(index reference first) ->samtools sort->samtools markdup去除 PCR 重复。 - 变异检测：
bcftools mpileup -Ou -f ref.fa sample.bam | bcftools call -mv -Oz -o raw.vcf.gz - 硬过滤：
bcftools filter -e 'QUAL<20 || DP<10' raw.vcf.gz -o filtered.vcf.gz - 注释：使用 ANNOVAR 或 SnpEff 注释变异（基因、功能、人群频率、致病性预测）。
进阶话题
- 体细胞变异 vs 胚系变异：胚系变异（正常组织）使用 GATK；体细胞变异（肿瘤）需要肿瘤-正常配对，使用 Mutect2 (GATK)，重点关注 VAF（变异等位基因频率）。
- RNA-seq 数据检测 SNP：使用 GATK的 SplitNCigarReads 结合 HaplotypeCaller，但因为内含子剪接和 RNA 编辑，应避免直接检测。
- 三代测序（PacBio/ONT）：长读长可以直接检测结构变异和 SVs，但 SNP 检测需要专门的工具（如 DeepVariant, Clair3）。
如果你有具体的分析需求（分析一个肿瘤的 exome 数据，或从 23andMe 芯片数据中提取 SNP），可以告诉我更详细的情况,我可以为你提供针对性的命令或思路。
