IF36.1｜SAVANA：长读长测序可靠检测体细胞结构变异与拷贝数异常

长读长测序终于有了能同时兼顾灵敏度和特异性的体细胞SV检测算法。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

癌症基因组中结构变异（SV）和体细胞拷贝数异常（SCNA）是驱动肿瘤发生的关键因素。短读长测序受限于读长，难以解析重复区域和复杂重排，导致癌症SV图谱不完整。长读长测序（如ONT、PacBio）可跨越重复区域，但早期算法特异性差，产生大量假阳性。已有算法如Sniffles2、cuteSV、SVIM等主要针对胚系SV设计，用于体细胞检测时性能未知。缺乏大规模长读长癌症数据集和公正的基准测试方法，使得长读长测序在癌症SV检测中的真实价值难以评估。

科学问题

卡在哪里： 现有长读长SV检测算法在体细胞变异检测中特异性差，产生大量假阳性，且缺乏无偏的基准测试方法。小规模真值集存在区域偏倚，无法评估特异性。因此，长读长测序相比短读长测序在癌症SV检测中的真实增益仍不清楚。

本文要回答： 开发一种高灵敏度和高特异性的长读长体细胞SV和SCNA检测算法，并建立无偏的基准测试方法，系统评估长读长测序在癌症基因组分析中的优势。

技术路线

作者主要用了：长读长测序、机器学习、随机森林、Mondrian共形预测、复制基准测试、单倍型分型。

作者开发了SAVANA算法，利用机器学习区分真实体细胞SV与测序/比对错误。首先在99对肿瘤-正常样本上同时进行纳米孔和Illumina全基因组测序，构建高质量训练集。然后通过模拟测序重复和读段支持相位分析，建立无偏的基准测试框架。最后在临床样本上验证SAVANA检测癌症驱动SV和SCNA的能力，并与现有算法进行全面比较。

图 1　Fig. 1。图1展示了SAVANA的整体分析流程，包括从长读长测序数据中检测体细胞SV、SCNA以及估计肿瘤纯度和倍性。右侧示例显示了一个复杂基因组重排图谱，总拷贝数和次要等位基因拷贝数分别用黑色和蓝色表示，展示了SAVANA在解析复杂重排方面的能力。

核心亮点

亮点 1｜SAVANA特异性比第二名高13倍

通过读段支持相位分析，SAVANA报告的SV中仅0.15%（19/12749）显示不一致的相位支持，而Sniffles2在双重复中检测到的SV有25%显示不一致相位支持（166倍差异）。这表明SAVANA能有效区分真实体细胞SV与假阳性。

图 2　Fig. 2。图2通过模拟测序重复策略评估各算法的SV检测一致性。b图显示不同算法检出的SV数量差异巨大，且仅在单个重复中检出的SV比例各异。c图显示SAVANA在双重复中的SV一致性显著高于其他算法。d-f图进一步表明SAVANA在不同等位基因频率、SV类型和重复区域中均保持高一致性。g-h图显示SAVANA检出的SV几乎全部由单一单倍型支持，而其他算法存在大量不一致相位支持的SV。

亮点 2｜SAVANA灵敏度全面领先

在83个肿瘤样本中，SAVANA平均检测到86%的Illumina短读长测序检出的SV，而其他算法的召回率显著更低（P<0.001）。SAVANA还检测到92%（71/77）的短读长测序检出的癌症驱动基因SV。

图 3　Fig. 3。图3利用正常样本重复实验量化各算法的假阳性率。b图显示在COLO829BL细胞系中，SAVANA仅报告5个假阳性SV，而其他算法假阳性数量从66到2737不等。d图显示在模拟重复的正常样本中，SAVANA的假阳性率显著低于其他算法（P<0.0001），进一步证实其高特异性。

亮点 3｜长读长测序发现短读长遗漏的驱动SV

SAVANA还检测到复杂的重排模式，如导致CDKN2A、NF1、TP53或RB1失活的染色体碎裂事件，以及骨肉瘤中CDK4、MDM2、CCNE1和MYC的扩增，胶质母细胞瘤中MYC和EGFR的扩增。

图 4　Fig. 4。图4比较了短读长和长读长测序在代表性肿瘤样本中的SV和拷贝数图谱。a图显示GRIDSS2/PURPLE在短读长数据中检测到的SV和拷贝数变化。b-h图显示SAVANA、Severus、NanomonSV、SVision-pro、SVIM、Sniffles2和cuteSV在长读长数据中的检测结果。SAVANA的结果与短读长高度一致，而其他算法存在大量假阳性SV，且遗漏了短读长检出的真实SV。

亮点 4｜肿瘤纯度和倍性估计与短读长高度一致

在无匹配正常样本的肿瘤纯模式中，SAVANA也能以相当的准确度推断等位基因特异性拷贝数、肿瘤纯度和倍性，并保持对短读长检出的SV的高召回率。

图 5　Fig. 5。图5展示了各算法对短读长检出的高质量体细胞SV的召回率。a图显示SAVANA平均召回86%的短读长SV，显著高于其他算法。b-c图显示其他算法检出的SV中仅不到50%能在短读长数据中得到验证。d-f图展示了SAVANA检测到的复杂重排和驱动基因扩增事件，如CDKN2A、NF1、TP53或RB1的失活以及CDK4、MDM2、CCNE1和MYC的扩增。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： 长读长测序、机器学习、随机森林、Mondrian共形预测、复制基准测试、单倍型分型
• 公开数据： 原文未给出公开组学登录号
• 代码： 公开仓库 https://github.com/cortes-ciriano-lab/savana.
• 谁该点开原文： 从事癌症基因组学、长读长测序数据分析或SV检测算法开发的生信研究人员。

带走一句

长读长测序做癌症SV分析，SAVANA是目前最可靠的选择；做基准测试时，用测序重复和读段相位分析比小规模真值集更无偏。