2026年10月15日，北京大学定量生物学中心钱珑副研究员与哈尔滨工业大学合作在国际学术期刊Nature Biotechnology在线发表题为“Structural variant detection across sequencing technologies”的研究论文。该项研究建立了兼容短读长、长读长及混合测序数据的统一结构变异检测算法——HitSV，显著提升了基因组结构变异序列检测的能力。该算法在涵盖人类及多种动植物的跨物种、跨测序技术的评测中表现领先，并应用于中国十万人基因组计划、国际千人基因组计划大规模人群测序数据的深度解析，发现了大量此前未被充分识别的结构变异，为精准医学和群体遗传学研究提供了新变异标注和技术支撑。同时，由于显著降低成本，将推动基于长读长测序技术的大规模人群基因组计划开展。
01 看见基因组中的“隐藏变异”：结构变异检测面临挑战
当前，基因组结构变异（Structural variants, SVs）检测主要采用短读长和长读长两类技术，针对两类测序数据的结构变异检测方法长期以来相对独立。短读长测序具有成本较低、单碱基准确度高等优势，适用于大规模人群中的SNP和Indel变异检测，但在结构变异序列检测方面仍存在明显局限；相比之下，长读长测序数据能够提供更充分的基因组序列信息，有利于复杂结构变异的识别与序列解析，但现有检测算法的敏感性和准确性一直没有突破并达到理想状态。尤其是，长读长测序成本限制因素（目前约为短读长测序成本的5-6倍），难以将其应用于大规模基因组计划结构变异检测。
如何突破不同测序技术的限制，准确还原基因组结构变异序列？如何使三代测序技术低成本应用于大规模人群基因组计划，更好的检测结构变异序列，成为亟待解决的关键技术问题。
02 创新算法框架：让不同测序技术协同解析复杂变异
针对上述问题，HitSV构建了局部单倍型组装、碱基级变异重构与分型的统一SV分析框架（图1）。
图1 HitSV结构变异检测总体框架
HitSV的核心创新在于实现了不同测序技术下结构变异序列检测的统一建模与精准重构。该方法充分利用短读长测序序列的高碱基准确度和长读长测序序列的长距离结构信息，在同一框架下支持短读长、长读长及二者混合的测序数据。特别是在混合测序模式下，通过长读长构建基因组结构骨架并辅助单倍型解析，结合短读长进行碱基层面的精细校正，实现不同测序技术的优势互补。
这一创新框架不仅打破了传统检测方法对特定测序技术的依赖，为跨平台基因组数据的统一分析提供了新的技术方案。
03 性能全面提升：低测序深度下也能实现高精度检测
为系统评价HitSV的检测性能，研究团队利用人类及食蟹猴、小鼠、果蝇、斑马鱼、拟南芥和大豆等共7个物种的测序数据，将HitSV与13种主流结构变异检测工具进行比较，全面评估了其在不同测序平台、变异类型、测序深度和复杂基因组区域中的表现（图2-图3）。均表现出高质量结构变异序列检测能力。
图2 HitSV跨平台、跨物种评测结果
■ 跨平台、跨物种检测性能表现突出
在长读长数据上，HitSV在人类标准样本HG002上综合评价指标GT-F1达到85.00% (30× PacBio) 和88.48% (30× ONT)，较其他工具提升15.34-71.68%（图2-a Long reads）。在HGSVC的35个样本中，相比表现次优的工具，HitSV的GT-F1平均提升12.82%（PacBio）和12.93%（ONT）（图2-b）。在其他6种动植物基因组数据中，HitSV同样展现出优异的检测性能，体现了良好的跨物种适用性。
在短读长数据上，HitSV同样展现出较强的检测能力。在HG002上显著优于当前主流工具，并在多个非人类物种的基因组数据中实现了10.76-24.52%的F1分数提升（图2-a Short reads）。相比DRAGEN、VG和PanGenie等基于泛参考基因组的检测工具，HitSV仍保持领先的检测精度，不仅能够识别潜在的新发SV，还能在一定程度上挽救已存在于泛基因组中、但被相关工具遗漏的SV（图2-c）。
■ 少量长读长数据，即可实现高精度检测
研究发现，在混合测序模式下，HitSV仅使用4×长读长数据与30×短读长数据，即可达到与主流工具使用30×长读长数据相当的检测效果（图2-a Hybrid reads）。更值得关注的是，即使将长读长测序深度降低至1-2×，结合30×短读长数据，HitSV仍能够达到或超过多数主流工具使用高深度长读长数据的检测表现。
这一结果表明，通过充分整合不同测序技术的互补信息，有望在控制测序成本的同时，提升结构变异序列检测的准确性，为大规模群体基因组学研究提供一种更高效、更低成本、更加灵活的技术方案。
■ 突破复杂重复区域的结构解析难题
高度重复的基因组区域是结构变异检测的难点。当多个变异事件相互交织时形成复杂结构变异，传统方法往往难以准确还原真实的基因组结构。在HG002上，对于局部重复度超过120、包含6个以上结构变异事件的极复杂区域，HitSV对复杂SV检测的GT-F1达到71.83%，而其他参评工具均低于40%（图3-a）。
此外，在严格的碱基级变异评测中，当要求重构的变异序列与标准序列相似性不低于95%时，HitSV的GT-F1达到96.70%，优于对比工具sawfish的91.44%（图3-b）。在基因组重复区域、医学相关复杂基因区域及长片段插入变异等场景下，HitSV同样表现突出（图3-c），进一步验证了其复杂基因组结构精准解析能力。在HG002-HG003-HG004家系样本的分析中，HitSV准确解析了GSE1基因上的一处复杂SV的结构及其传递模式（图3-d）。
图3 复杂基因组结构变异检测能力评估
04 赋能大规模人群研究: 发现更多此前遗漏的遗传变异
算法性能的提升不仅体现在评测指标上，更重要的是能否帮助科研人员从已有基因组数据中获得新的生物学发现。为此，研究团队将HitSV应用于国际千人基因组计划（1KGP）和中国十万人基因组计划（CHN100K），开展大规模结构变异检测与分析。
■ 重新解析国际千人基因组计划3202个人类基因组样本，揭示更完整的人群遗传变异图谱
研究团队利用HitSV对国际千人基因组计划的3202个短读长测序样本进行重新分析。与1KGP官方发布的结构变异集相比，HitSV额外检出了相当于原有变异集31.5%的结构变异，单样本平均检出数量提高18.3%（图4-a）。通过HPRC和HGSVC项目的独立长读长数据进行交叉验证，HitSV新检出变异的准确度分别达到84.90%和85.26%，显著优于官方数据集中相应的独立检出结果（图4-b）
更重要的是，新增变异主要集中在以往难以准确解析的基因组重复区域。随着检测完整性的提升，研究团队发现，部分原本被认为仅存在于特定人群中的结构变异，实际上广泛分布于不同人群；一些原本被归类为稀有变异的位点，也被重新识别为较常见的变异（图4-c）。
图4 1KGP人群基因组数据分析结果
■ 应用于中国十万人基因组计划，深入解析557名中国人基因组长读长测序数据，揭示复杂结构变异新特征
研究团队进一步将HitSV应用于CHN100K项目的557名中国人长读长测序数据，识别出2990个复杂结构变异热点区域（图5-a）。其中，95.58%的复杂结构变异位点与基因组串联重复序列密切相关，部分区域还显著富集移动元件相关序列，呈现出传统检测工具难以准确解析的复杂结构特征。通过对这些区域进行精细重构，研究团队进一步发现了70个由串联重复序列与移动元件共同构成的复合阵列（TR-MEI arrays）（图5-b&c）。这类结构由串联重复单元与Alu、LINE等移动元件片段交替排列形成，具有复杂的序列组成和结构多样性。
同时，相较于基于HPRC的复杂结构变异检测结果，CHN100K群体数据体现出了更宽的等位基因分布和更广泛的结构多样性。这些成果不仅拓展了对中国人群基因组结构多样性的认识，也为进一步研究复杂变异的形成机制及其潜在生物学功能提供了重要的数据基础。
图5 CHN100K 557名中国人样本CSV检测结果
05 从算法创新走向规模化应用：为精准基因组研究提供新工具
随着基因组测序技术的快速发展，全球已积累大量短读长和长读长测序数据。如何充分挖掘这些数据中的遗传信息，是推动基因组学研究和精准医学发展的重要基础。HitSV通过构建统一的跨测序平台结构变异检测算法框架，在提升复杂结构变异序列检测能力的同时，为不同测序技术的联合应用提供了新的思路。尤其对于已积累大量短读长测序数据的人群基因组项目，该方法有望进一步释放已有数据的研究价值；通过引入适量长读长数据，还可提升复杂基因组区域的解析能力，为大规模群体遗传研究提供重要技术支撑。
北京大学钱珑副研究员、哈尔滨工业大学王亚东教授、刘博教授为本文的共同通讯作者。哈尔滨工业大学李高阳博士、刘亚东副研究员为共同第一作者。本工作由国家自然科学基金和国家重点研发计划共同支持。
论文链接：https://www.nature.com/articles/s41587-026-03332-9
