IF50.5｜长读长测序解析1019人多祖先结构变异全景

基于ONT长读长测序，构建千人规模结构变异图谱，揭示转导与断裂点同源机制。

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

结构变异（SV）贡献了人类基因组中大部分多态性碱基，并与多种常见及罕见疾病密切相关。此前基于短读长测序的人群规模研究受限于读长，对插入、串联重复等复杂变异检测能力不足。长读长测序技术虽已用于疾病研究和诊断，但缺乏具有全球代表性的人群规模数据集。人类泛基因组参考联盟（HPRC）已发布基于44个二倍体基因组的草图泛基因组，展示了图参考在SV发现中的优势，但样本量有限，难以覆盖稀有和祖先特异性变异。

科学问题

卡在哪里： 现有长读长SV资源样本量小、祖先代表性不足，且缺乏统一的图感知发现与基因分型框架，导致稀有变异和复杂位点（如多等位VNTR、倒位）的解析仍不充分。

本文要回答： 利用ONT长读长测序对1019名来自26个群体的个体进行中等深度测序，构建序列解析的SV图谱，并解析SV的群体分布、形成机制及转导特征。

技术路线

作者主要用了：ONT长读长测序、线性与图基因组比对、SAGA框架、SVAN注释、vamos VNTR基因分型。

作者选取1000基因组计划（1kGP）中1019个样本，进行ONT长读长测序（中位覆盖度16.9×，N50读长20.3 kb）。开发SAGA框架：先比对到GRCh38、CHM13线性参考和HPRC_mg图参考，用Sniffles、DELLY和SVarp发现SV，再将新SV等位序列通过伪单倍型构建和图增强整合进泛基因组图，最后用Giggles进行图感知基因分型，并用SHAPEIT5进行统计相位。该流程兼顾线性参考的成熟工具与图参考的多样性，实现大规模SV的准确发现与分型。

图 1　Fig. 1。图1展示样本组成、测序指标和SAGA框架。a显示1019个样本来自5大洲26个群体；b显示中位覆盖度16.9×和N50读长20.3 kb；c示意SAGA流程：线性/图比对、SV发现、图增强和基因分型。该图概括了研究设计和核心方法。

核心亮点

亮点 1｜SV图谱规模与多样性

SAGA框架在967个样本中基因分型167,291个初级SV位点，相位后得到164,571个SV，包括65,075个缺失、74,125个插入和25,371个复杂位点。与短读长测序相比，插入位点数量增加超过10倍，缺失位点核苷酸解析数量增加40%。非洲裔样本中位SV数（23,969）显著高于非非洲裔（19,297），且稀有变异（MAF<1%）占59.3%，多数仅见于单一大陆群体。

图 2　Fig. 2。图2展示SV累积曲线、长度分布和群体特征。a显示随样本增加，SV发现趋于饱和，非洲样本贡献更大；b显示与短读长相比，插入检测显著提升，缺失在短读长中更多；c-f显示等位频率谱、功能区域SV频率降低及群体分化。

亮点 2｜SV类别精细解析

SVAN注释工具将72,346个插入（96.0%）分类，包括17,029个重复、34,006个VNTR、31,302个非参考MEI（23,212 Alu、4,851 L1、3,239 SVA）、203个加工假基因和180个NUMT。此外，通过专门流程发现1,849个倒位，包括311个倒位重复和1,047个L1 5'端倒位。vamos基因分型进一步揭示369,685个多等位VNTR，远超图分析结果。

图 3　Fig. 3。图3展示SVAN分类结果。a按SV类别（VNTR、重复、MEI等）展示插入和缺失的数量、大小分布及等位频率；b展示倒位的亚类，包括倒位重复、平衡倒位和复杂倒位，并标注其形成机制。

亮点 3｜L1与SVA转导的家族和位点特异性

在5,311个L1和3,470个SVA插入中，分别有466个（8.8%）和412个（11.9%）携带转导序列。L1转导以3'为主（82.2%），而SVA产生5'和3'转导比例相近。通过转导序列溯源，发现20个高活性L1源元件贡献了43.9%的L1转导，20个SVA源元件贡献36.9%的SVA转导。8q21.11位点的L1源元件表现出显著的5'转导偏好（Padj=3.9×10^-15），机制上与该位点上游启动子劫持导致异常剪接有关。

图 4　Fig. 4。图4展示L1和SVA转导的源元件活性。a和b分别列出20个最活跃的L1和SVA源元件，显示其参考基因组存在状态、亚家族和转导方向偏好；c-e以8q21.11为例展示5'转导的剪接机制。

亮点 4｜断裂点同源谱与形成机制

对66,198个缺失和75,238个插入的断裂点分析显示，35.0%的缺失和28.7%的插入具有超过50 bp的同源侧翼，提示同源定向修复（HDR）参与。Alu介导的缺失（n=3,260）远多于插入（n=80），且89.3%的Alu侧翼对为全长Alu，同源长度峰值295 bp。此外，发现59个片段重复介导的缺失，同源长度可达14.9 kb。在无同源的缺失中，83.1%具有1-15 bp微同源，提示NHEJ或MMBIR等机制。

图 5　Fig. 5。图5展示断裂点同源分析。a示意断裂点分析策略；b显示SV长度与同源长度的关系，突出Alu、L1等重复介导的SV；c-f展示不同重复类型介导的SV分布；g展示12p13.3复发缺失的单倍型聚类证据。

亮点 5｜TEMR介导的复发缺失

通过筛选200-9,000 bp同源侧翼、等位频率40-60%的缺失，并结合单倍型聚类和复发指示SNP分析，鉴定出6个具有强复发证据的缺失，均为转座元件介导的重排（TEMR）。例如，12p13.3处一个806 bp缺失由AluSx-AluY对介导，在非洲和南亚单倍型背景中独立出现，表明该位点发生了局部复发事件。

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： ONT长读长测序、线性与图基因组比对、SAGA框架、SVAN注释、vamos VNTR基因分型
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事人类基因组变异、群体遗传学或罕见病诊断的生信分析人员。

带走一句

中等深度长读长测序结合图基因组方法，可高效构建人群规模SV资源，为变异过滤和机制研究提供模板。