編輯丨王多魚

排版丨水成文

當(dāng)我們在談?wù)?strong>人工智能（AI）如何變革基因組學(xué)時，討論的焦點往往集中在算法模型多么精妙、算力如何強大。但一場由Google Research團隊舉辦的最新線上研討會，卻將聚光燈打向了一個更為基礎(chǔ)、卻常被忽視的要素——基因測序數(shù)據(jù)本身的質(zhì)量。

這場名為：Scaling Genomics with Higher Throughput and AI-Driven Variant Calling 的技術(shù)研討會，系統(tǒng)展示了 Google 開發(fā)的一系列高性能 AI 變異檢測工具 DeepVariant、DeepConsensus、DeepSomatic 等的最新進展。引人注目的是，當(dāng)這些頂尖AI工具遇上了來自華大智造/Complete Genomics的DNBSEQ平臺的高質(zhì)量數(shù)據(jù)，產(chǎn)生了“1+1>2”的卓越效果。

在進一步解讀之前，我們先快速了解幾個關(guān)鍵指標(biāo)，方便理解后續(xù)數(shù)據(jù)：

• Mean Identity（平均序列一致性）：簡單來說，就是測出來的 DNA 序列和真實基因組究竟有多像。這個數(shù)字越高，代表測序本身的原始錯誤越少，數(shù)據(jù)越“干凈”。

• Indel（插入缺失）：指? 1-50 bp?的小片段 DNA 的插入（Insertion）和缺失（Deletion），是基因變異的一種類型，也是測序中容易出錯的地方。

• Homopolymer（同源聚合物）：像“AAAAAA”這樣一長串相同堿基的區(qū)域，這里是所有測序技術(shù)的“噩夢區(qū)”，極易出錯。
  

• False Negative（假陰性）：該檢出的變異實際未檢出，也就是漏檢。

• False Positive（假陽性）：沒有變異的位置檢出變異，也就是錯檢。

明白了這些，讓我們看看這場研討會揭示了哪些關(guān)鍵洞察。

更優(yōu)質(zhì)的起點，更高的天花板

研討會上首先比較了不同測序平臺數(shù)據(jù)的Mean Identity（平均序列一致性）。結(jié)果顯示，在采用先進的泛基因組圖（Pangenome Graph）進行比對時，華大智造最新款超高通量測序儀 DNBSEQ-T7+ 的數(shù)據(jù)獲得了 0.995999 的平均序列一致性，優(yōu)于另一主流平臺 Illumina NovaSeq 的 0.993489。

平均序列一致性比較

如果把 AI 模型比作一位學(xué)生，那么測序數(shù)據(jù)就是它的教材。教材本身錯誤越少（數(shù)據(jù)越干凈），學(xué)生（AI 模型）就越不容易被誤導(dǎo)，從而能學(xué)到更準(zhǔn)確的知識，最終在“考試”（變異檢測）中取得更可信的成績。DNBSEQ 平臺提供了更優(yōu)質(zhì)的“教材”，通過更優(yōu)質(zhì)的起點，為后續(xù) AI 分析奠定了更高的天花板。

專屬訓(xùn)練模型，錯誤率顯著降低

Google Research 團隊還做了一次深入實驗：他們不再使用通用模型，而是使用高質(zhì)量的 DNBSEQ-T7+ 數(shù)據(jù)，為 DeepVariant 訓(xùn)練了一個 DNBSEQ 專屬模型——DeepVariant DNBSEQ-specific。

這個模型的訓(xùn)練集采用了 GIAB（Genome in a Bottle）標(biāo)準(zhǔn)品（HG001、HG002、HG004、HG005-HG007），并特意將 HG003 樣本和第 20 號染色體（chr20）的數(shù)據(jù)“扣下”，作為從未見過的“考試題”來驗證模型效果。

結(jié)果令人印象深刻：在 HG003 樣本上，DNBSEQ 專屬模型產(chǎn)生的假陽性和假陰性錯誤位點總數(shù)（14183個），顯著少于基于 NovaSeq 數(shù)據(jù)訓(xùn)練的模型（15481 個）。

使用NIST v4.2.1版本變異真集評估（DNBSEQ-T7plus+DeepVariant vs. NovaSeq+DRAGEN）

為了進行更嚴(yán)苛的評估，團隊還請出了最新的“終極考官”——HG002 樣本的 T2T（端粒到端粒）完整基因組變異真集。這個真集包含超過 450 萬個變異位點，遠(yuǎn)超舊版本，能更全面地檢驗性能。

在這個終極測試中，優(yōu)勢進一步拉大：DNBSEQ-T7+ DeepVariant 的總錯誤位點為 64116 個，顯著優(yōu)于 NovaSeq + DRAGEN v4.3 的 71854個，也優(yōu)于 NovaSeq + DeepVariant 的 73213 個。

使用NIST HG002 T2T版本變異真集評估 DNBSEQ-T7plus+DeepVariant vs. NovaSeq+DRAGEN vs. NovaSeq+DeepVariant

結(jié)論很直接：同樣的頂尖 AI 工具 DeepVariant，使用來自不同平臺的測序數(shù)據(jù)訓(xùn)練，產(chǎn)出的“模型成品”質(zhì)量有顯著差異。DNBSEQ 平臺數(shù)據(jù)訓(xùn)練出的模型質(zhì)量更高，變異結(jié)果中假陽性和假陰性位點數(shù)量更少。

攻堅“困難區(qū)域”，表現(xiàn)依然卓越

真正的挑戰(zhàn)在于那些讓所有技術(shù)都頭疼的“困難區(qū)域”。研討會分享的數(shù)據(jù)顯示，在這些區(qū)域，基于 DNBSEQ 的優(yōu)勢更加明顯：

• 同源聚合物區(qū)：在所有同源聚合物區(qū)，DNBSEQ + DeepVariant 的 Indel 檢測準(zhǔn)確率比 NovaSeq + DRAGEN 提升了約 55%。這意味著在那些連續(xù) A 或連續(xù) T 的困難區(qū)域，DNBSEQ 能更準(zhǔn)確地判斷是否發(fā)生了堿基的插入或缺失。

同源聚合物區(qū)Indel變異檢測錯誤的比較（DNBSEQ-T7plus+DeepVariant vs. NovaSeq+DRAGEN）

• 復(fù)雜結(jié)構(gòu)變異區(qū)：在片段重復(fù)（Segmental Duplication）和復(fù)雜拷貝數(shù)變異（CNV）區(qū)，DNBSEQ + DeepVariant 的錯誤位點數(shù)量比 NovaSeq + DRAGEN 減少了約 30%。

復(fù)雜結(jié)構(gòu)變異區(qū)域檢測錯誤的比較（DNBSEQ-T7plus+DeepVariant vs. NovaSeq+DRAGEN）

其原因在于，兩者的測序化學(xué)原理（DNA 納米球與聯(lián)合探針錨定聚合 vs. 可逆末端終止）不同，使得 DNBSEQ 在這些特定區(qū)域的背景錯誤率天然更低，從而為 AI 模型提供了更清晰的“信號”、帶來了更優(yōu)的變異檢測性能。

平臺間一致性高，表現(xiàn)穩(wěn)定

研討會還評估了華大智造于 2025 年新發(fā)布的另一款平臺DNBSEQ-T1+，相比主打高通量的 DNBSEQ-T7+，DNBSEQ-T1+ 主打靈活性。結(jié)果顯示，無論是更高通量的 T7+，還是更靈活的 T1+，其數(shù)據(jù)訓(xùn)練出的模型在變異檢測性能上均保持一致的高水平，且都優(yōu)于對比方案。

使用NIST HG002 T2T版本變異真集評估（DNBSEQ-T1plus+DeepVariant vs. NovaSeq+DRAGEN 4.5）

這意味著，DNBSEQ 平臺在不同型號和通量下，都能提供穩(wěn)定、可靠的高質(zhì)量數(shù)據(jù)，滿足從大規(guī)模種群項目到小型快速研究的不同需求，而無需擔(dān)心數(shù)據(jù)質(zhì)量波動影響分析結(jié)果。

重新定義性能邊界，數(shù)據(jù)質(zhì)量是基石

這場研討會傳達(dá)了一個明確而重要的信號——在泛基因組參考圖譜和人工智能這兩大前沿技術(shù)的推動下，基因組變異檢測的性能邊界正在被不斷刷新。然而，無論上層的算法如何演進，底層測序數(shù)據(jù)的質(zhì)量，始終是決定最終分析高度的基石。

Google Research 此次系統(tǒng)性的評估表明，DNBSEQ 測序平臺所提供的高準(zhǔn)確性、低錯誤率的數(shù)據(jù)，能夠顯著提升以 DeepVariant 為代表的 AI 變異檢測工具的性能，尤其是在最富挑戰(zhàn)性的基因組區(qū)域。這為追求最高數(shù)據(jù)質(zhì)量和分析精準(zhǔn)度的基因組學(xué)研究者，提供了一個強有力的技術(shù)組合選擇。

這些評估結(jié)果提示我們，AI 在基因組學(xué)領(lǐng)域的競賽，不僅發(fā)生在算法和算力層面，更發(fā)生在數(shù)據(jù)產(chǎn)生的源頭。當(dāng) AI 模型擁有了更清澈的“眼睛”，它才能為我們看清生命密碼中更細(xì)微、更真實的奧秘。

值得一提的是，Google Research團隊聯(lián)合華大智造及中國科學(xué)院大學(xué)的研究人員，在預(yù)印本平臺bioRxiv發(fā)表了題為：PanVariants: Best Practice for Pangenome-based Variant Calling Pipeline and Framework 的研究論文。

該研究建立了一個基于泛基因組的變異檢測的穩(wěn)健框架和最佳實踐流程——PanVariants，實現(xiàn)了對新變異的靈敏發(fā)現(xiàn)以及單核苷酸變異（SNV）、插入缺失（indel）和結(jié)構(gòu)變異（SV）的高精度檢測，有力支持了未來基因組學(xué)從線性向泛基因組參考的轉(zhuǎn)變。

DNBSEQ+PanVariants 實現(xiàn)了對 NovaSeq+DRAGEN 的變異檢測性能的超越

論文鏈接：

https://doi.org/10.64898/2026.04.22.720142