谷歌用上中国“神器”,AI+高质量基因测序数据,让基因变异无处隐藏

编辑丨王多鱼

排版丨水成文

当我们在谈论人工智能（AI）如何变革基因组学时，讨论的焦点往往集中在算法模型多么精妙、算力如何强大。但一场由 Google Research 团队举办的最新线上研讨会，却将聚光灯打向了一个更为基础、却常被忽视的要素——基因测序数据本身的质量。

这场名为：Scaling Genomics with Higher Throughput and AI-Driven Variant Calling的技术研讨会，系统展示了 Google 开发的一系列高性能 AI 变异检测工具 DeepVariant、DeepConsensus、DeepSomatic 等的最新进展。引人注目的是，当这些顶尖AI工具遇上了来自华大智造/Complete Genomics的DNBSEQ平台的高质量数据，产生了“1+1>2”的卓越效果。

在进一步解读之前，我们先快速了解几个关键指标，方便理解后续数据：

Mean Identity（平均序列一致性）：简单来说，就是测出来的 DNA 序列和真实基因组究竟有多像。这个数字越高，代表测序本身的原始错误越少，数据越“干净”。
Indel（插入缺失）：指‌ 1-50 bp‌的小片段 DNA 的插入（Insertion）和缺失（Deletion），是基因变异的一种类型，也是测序中容易出错的地方。
Homopolymer（同源聚合物）：像“AAAAAA”这样一长串相同碱基的区域，这里是所有测序技术的“噩梦区”，极易出错。
False Negative（假阴性）：该检出的变异实际未检出，也就是漏检。
False Positive（假阳性）：没有变异的位置检出变异，也就是错检。

明白了这些，让我们看看这场研讨会揭示了哪些关键洞察。

更优质的起点，更高的天花板

研讨会上首先比较了不同测序平台数据的 Mean Identity（平均序列一致性）。结果显示，在采用先进的泛基因组图（Pangenome Graph）进行比对时，华大智造最新款超高通量测序仪 DNBSEQ-T7+ 的数据获得了 0.995999 的平均序列一致性，优于另一主流平台 Illumina NovaSeq 的 0.993489。

平均序列一致性比较

如果把 AI 模型比作一位学生，那么测序数据就是它的教材。教材本身错误越少（数据越干净），学生（AI 模型）就越不容易被误导，从而能学到更准确的知识，最终在“考试”（变异检测）中取得更可信的成绩。DNBSEQ 平台提供了更优质的“教材”，通过更优质的起点，为后续 AI 分析奠定了更高的天花板。

专属训练模型，错误率显著降低

Google Research 团队还做了一次深入实验：他们不再使用通用模型，而是使用高质量的 DNBSEQ-T7+ 数据，为 DeepVariant 训练了一个 DNBSEQ 专属模型——DeepVariantDNBSEQ-specific。

这个模型的训练集采用了 GIAB（Genome in a Bottle）标准品（HG001、HG002、HG004、HG005-HG007），并特意将 HG003 样本和第 20 号染色体（chr20）的数据“扣下”，作为从未见过的“考试题”来验证模型效果。

结果令人印象深刻：在 HG003 样本上，DNBSEQ 专属模型产生的假阳性和假阴性错误位点总数（14183个），显著少于基于 NovaSeq 数据训练的模型（15481 个）。

使用NIST v4.2.1版本变异真集评估（DNBSEQ-T7plus+DeepVariant vs. NovaSeq+DRAGEN）

为了进行更严苛的评估，团队还请出了最新的“终极考官”——HG002 样本的 T2T（端粒到端粒）完整基因组变异真集。这个真集包含超过 450 万个变异位点，远超旧版本，能更全面地检验性能。

在这个终极测试中，优势进一步拉大：DNBSEQ-T7+ DeepVariant 的总错误位点为 64116 个，显著优于 NovaSeq + DRAGEN v4.3 的 71854个，也优于 NovaSeq + DeepVariant 的 73213 个。

使用NIST HG002 T2T版本变异真集评估 DNBSEQ-T7plus+DeepVariant vs. NovaSeq+DRAGEN vs. NovaSeq+DeepVariant

结论很直接：同样的顶尖 AI 工具 DeepVariant，使用来自不同平台的测序数据训练，产出的“模型成品”质量有显著差异。DNBSEQ 平台数据训练出的模型质量更高，变异结果中假阳性和假阴性位点数量更少。

攻坚“困难区域”，表现依然卓越

真正的挑战在于那些让所有技术都头疼的“困难区域”。研讨会分享的数据显示，在这些区域，基于 DNBSEQ 的优势更加明显：

同源聚合物区：在所有同源聚合物区，DNBSEQ + DeepVariant 的 Indel 检测准确率比 NovaSeq + DRAGEN 提升了约 55%。这意味着在那些连续 A 或连续 T 的困难区域，DNBSEQ 能更准确地判断是否发生了碱基的插入或缺失。

同源聚合物区Indel变异检测错误的比较（DNBSEQ-T7plus+DeepVariant vs. NovaSeq+DRAGEN）

复杂结构变异区：在片段重复（Segmental Duplication）和复杂拷贝数变异（CNV）区，DNBSEQ + DeepVariant 的错误位点数量比 NovaSeq + DRAGEN 减少了约 30%。

复杂结构变异区域检测错误的比较（DNBSEQ-T7plus+DeepVariant vs. NovaSeq+DRAGEN）

其原因在于，两者的测序化学原理（DNA 纳米球与联合探针锚定聚合 vs. 可逆末端终止）不同，使得 DNBSEQ 在这些特定区域的背景错误率天然更低，从而为 AI 模型提供了更清晰的“信号”、带来了更优的变异检测性能。

平台间一致性高，表现稳定

研讨会还评估了华大智造于 2025 年新发布的另一款平台 DNBSEQ-T1+，相比主打高通量的DNBSEQ-T7+，DNBSEQ-T1+ 主打灵活性。结果显示，无论是更高通量的 T7+，还是更灵活的 T1+，其数据训练出的模型在变异检测性能上均保持一致的高水平，且都优于对比方案。

使用NIST HG002 T2T版本变异真集评估（DNBSEQ-T1plus+DeepVariant vs. NovaSeq+DRAGEN 4.5）

这意味着，DNBSEQ 平台在不同型号和通量下，都能提供稳定、可靠的高质量数据，满足从大规模种群项目到小型快速研究的不同需求，而无需担心数据质量波动影响分析结果。

重新定义性能边界，数据质量是基石

这场研讨会传达了一个明确而重要的信号——在泛基因组参考图谱和人工智能这两大前沿技术的推动下，基因组变异检测的性能边界正在被不断刷新。然而，无论上层的算法如何演进，底层测序数据的质量，始终是决定最终分析高度的基石。

Google Research 此次系统性的评估表明，DNBSEQ 测序平台所提供的高准确性、低错误率的数据，能够显著提升以 DeepVariant 为代表的 AI 变异检测工具的性能，尤其是在最富挑战性的基因组区域。这为追求最高数据质量和分析精准度的基因组学研究者，提供了一个强有力的技术组合选择。

这些评估结果提示我们，AI 在基因组学领域的竞赛，不仅发生在算法和算力层面，更发生在数据产生的源头。当 AI 模型拥有了更清澈的“眼睛”，它才能为我们看清生命密码中更细微、更真实的奥秘。

值得一提的是，Google Research 团队联合华大智造及中国科学院大学的研究人员，在预印本平台 bioRxiv 发表了题为：PanVariants: Best Practice for Pangenome-based Variant Calling Pipeline and Framework 的研究论文。