Bayesian Varyant Çağrısı — Olasılıksal SNP ve İndel Tespiti
Bayesian Statistical Variant Calling from Sequencing Data · Ayrıca şöyle bilinir: Bayesian genotyping, probabilistic variant calling, GATK HaplotypeCaller, Bayesian SNP/indel detection
Bayesian varyant çağrısı, dizileme verilerini kanıt olarak ele alıp aday genotipler üzerindeki sonsal olasılıkları hesaplayarak bir genomdaki tek-nükleotit polimorfizmlerini (SNP'ler), insersiyonları ve delesyonları tanımlamak için olasılıksal çıkarım kullanan bir hesaplamalı işlem hattıdır. Deterministik eşik tabanlı çağrıcıların aksine, Bayesian yaklaşımlar, dizileme hatasını, eşleme belirsizliğini ve önsel genotip frekanslarını açıkça modeller; bu da aşağı akış filtreleme ve ilişkilendirme testi için kullanılabilecek kalibre edilmiş genotip olasılıkları üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Ne zaman kullanmalı: Bir genomdan elde edilen sonraki nesil dizileme verilerinden germline veya somatik SNP ve indel'leri tanımlamanız ve ikili çağrılar yerine kalibre edilmiş güven puanları gerektiren durumlarda Bayesian varyant çağrısını kullanın. İnsan genetiği ve klinik genomikte tüm genom dizileme (WGS), tüm ekzom dizileme (WES) ve hedeflenmiş panel dizileme için standart yaklaşımdır. Güvenilir germline çağrısı için genellikle en az 20x dizileme derinliği gereklidir; somatik çağrı için tümör-normal çiftlerinden daha yüksek derinlik (50–100x) gereklidir. Uzman araçlar tarafından tasarlanmadıkça RNA-seq verilerine UYGULAMAYIN ve önsel ve hata modelleri temelden farklı olduğu için somatik varyantlar için standart Bayesian germline çağrılarını kullanmayın.
Güçlü yönler & sınırlılıklar
- Aşağı akış araçlarının çağrıları filtrelemek ve ağırlıklandırmak için kullanabileceği kalibre edilmiş, yorumlanabilir genotip olasılıkları ve kalite puanları sağlar.
- Dizileme hatasını ve eşleme belirsizliğini açıkça modeller, naif kapsama eşiği yaklaşımlarına kıyasla yanlış pozitif oranlarını önemli ölçüde azaltır.
- Haplotip-farkındalığı olan yerel montaj, yığın tabanlı çağrıların kaçırdığı karmaşık indel'leri ve yakındaki varyantları yakalar.
- Popülasyon düzeyindeki önsel bilgiler (örneğin, gnomAD'dan) düşük kapsama alanına sahip sitelerdeki ve yaygın varyantlardaki genotipleme doğruluğunu artırır.
- Kapsamlı dokümantasyon ve topluluk karşılaştırmaları ile yerleşik araç setleri (GATK, Strelka2, DeepVariant) tarafından iyi desteklenir.
- Hesaplama açısından yoğundur — tek bir insan örneğinin WGS analizi, paralelleştirme olmadan tipik bir hesaplama kümesinde saatler ila günler gerektirir.
- Varsayılan genotip önsel bilgileri belirli bir popülasyon genetik modelini varsayar; yüksek oranda akraba çiftleşmesi olan organizmalarda, poliploidlerde veya insan dışı türlerde çağrı yapmak, önsel bilgilerin yeniden ayarlanmasını gerektirir.
- VQSR, büyük bir doğrulama yapılmış varyant sitesi eğitim seti gerektirir; küçük örneklem boyutları (yaklaşık 30'dan az örnek) veya küratörlü referans varyant veritabanlarına sahip olmayan model dışı organizmalar için güvenilir değildir.
- Yapısal varyantlar (SV'ler) ve kopya sayısı varyantları (CNV'ler) ayrı uzman çağrıcılar gerektirir — SNP/indel Bayesian çağrıları bunları tespit etmek için tasarlanmamıştır.
SSS
GATK HaplotypeCaller ve DeepVariant arasındaki fark nedir?
Her ikisi de Bayesian tarzı genotip olasılıkları üretir, ancak HaplotypeCaller el yapımı bir olasılıksal model (PairHMM + Bayes teoremi) kullanırken, DeepVariant aynı genotip olasılıklarını tahmin etmek için okuma yığınlarının görüntüleri üzerinde bir konvolüsyonel sinir ağı eğitir. DeepVariant genellikle Illumina verilerinde daha düşük hata oranları elde eder; HaplotypeCaller, özel önsel bilgiler ve standart dışı uygulamalar için daha esnek kalır. Her ikisi de phred-ölçekli olasılıklara sahip VCF dosyaları çıktı olarak verir.
Ne kadar dizileme derinliğine ihtiyacım var?
Germline SNP çağrısı için, WGS için 30x ortalama kapsama alanı standart öneridir; 20x sıklıkla kullanılır ancak heterozigot varyantlar için yanlış negatif oranlarını artırır. Tümör-normal çiftlerinden somatik çağrı için, tümörde tipik olarak 50–100x kullanılır. Hedeflenmiş paneller, klinik olarak ilgili lokuslarda hassasiyet sağlamak için sıklıkla 200–500x'te çalışır.
RNA-seq verileri için Bayesian varyant çağrısını kullanabilir miyim?
Standart DNA-seq varyant çağrıları, RNA-seq için modifikasyon gerektirir çünkü ekson sınırlarında hizalama artefaktları oluşturan birleştirme ve alelik ifade dengesizliği somatik mutasyonları taklit eder. GATK, SplitNCigarReads ön işlemesini içeren bir RNA-seq varyant çağrısı iş akışı sağlar, ancak bu DNA-seq işlem hatlarından daha az doğrulanmıştır ve birbirinin yerine kullanılmamalıdır.
VQSR nedir ve ne zaman sabit filtreleme yerine kullanılmalıdır?
Varyant Kalitesi Puanı Yeniden Kalibrasyonu (VQSR), gerçek varyantları artefaktlardan ayırmak için yüksek güvenilirlikli varyant sitelerinde bir Gauss karışım modeli eğitiyor. En az 30 örnek (ideal olarak yüzlerce) ve doğrulanmış referans kaynakları (HapMap, 1000 Genomes, dbSNP) gerektirir. Küçük kohortlar, insan dışı organizmalar veya uygun eğitim verileri olmayan hedeflenmiş paneller için, sabit ek açıklama eşiklerini (QD, FS, SOR, MQ) kullanarak sabit filtreleme, önerilen yedek çözümdür.
Numunelerim insan dışı poliploid bir organizmadan. Hala Bayesian varyant çağrısını kullanabilir miyim?
Evet, ancak varsayılan araçlar diploitliği varsayar. Poliploidler için ploidi seviyesini belirtmeniz gerekir (GATK bunu --sample-ploidy aracılığıyla destekler) ve genotip önsel bilgilerini buna göre ayarlamanız gerekir. Model dışı organizmalar için popülasyon düzeyinde kaynaklar nadiren bulunur, bu nedenle VQSR genellikle mümkün değildir; sabit filtrelemeye ve yüksek öncelikli çağrıların manuel incelemesine güvenin.
Kaynaklar
- McKenna, A., Hanna, M., Banks, E., Sivachenko, A., Cibulskis, K., Kernytsky, A., ... & DePristo, M. A. (2010). The Genome Analysis Toolkit: A MapReduce framework for analyzing next-generation DNA sequencing data. Genome Research, 20(9), 1297–1303. DOI: 10.1101/gr.107524.110 ↗
- Rimmer, A., Phan, H., Mathieson, I., Iqbal, Z., Twigg, S. R., WGS500 Consortium, ... & McVean, G. (2014). Integrating mapping-, assembly- and haplotype-based approaches for calling variants in clinical sequencing applications. Nature Genetics, 46(8), 912–918. DOI: 10.1038/ng.3036 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Statistical Variant Calling from Sequencing Data. ScholarGate. https://scholargate.app/tr/bioinformatics/bayesian-variant-calling
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesian GWASBiyoenformatik↔ karşılaştır
- Kopya Numarası Değişkenliği AnaliziBiyoenformatik↔ karşılaştır
- RNA-seq Diferansiyel İfadeBiyoenformatik↔ karşılaştır
- Dizi HizalamaBiyoenformatik↔ karşılaştır
- Hücresel çözünürlükte tekil varyant çağırmaBiyoenformatik↔ karşılaştır
- Variant CallingBiyoenformatik↔ karşılaştır