Sentieon | DNAscope Pangenome：赋能人类高精度生殖筛查

# 一、前言

在人类全基因组分析中，常常面对两个看似矛盾的目标：一方面，希望缩短 FASTQ 到 VCF 的分析时间，以有限算力支撑更多样本；另一方面，又希望提升 SNP、INDEL，尤其是结构变异（SV）的检出准确性。

Sentieon泛基因组流程（DNAscope Pangenome）是一个利用泛基因组图进行短读长 DNA 序列数据比对和变异识别的分析流程。该流程基于图结构的参考基因组表示法，旨在提升比对和变异检测的分析效率和精度，特别是在具有高序列多样性的复杂基因组区域中。

* * *

# 二、生殖遗传检测为何更需要关注 SV 和 CNV？

在生殖遗传研究与检测中，除了 SNP 和短 INDEL，染色体结构异常和基因组剂量变化同样是不可忽视的重要变异类型。拷贝数缺失或重复、倒位、易位及其他结构重排，可能与携带者筛查、胚胎植入前遗传学检测、复发性流产研究以及产前遗传评估等场景相关。

现有二代测序结合线性参考基因组，已经能够有效识别非整倍体、大型缺失或重复以及部分常规 CNV。因此，不能简单地说“传统二代测序无法检测 SV/CNV”。 真正具有挑战性的，往往是以下场景：

*   位于重复序列、片段重复和高度多态区域的变异；
    
*   线性参考中缺失的非参考插入和替代单倍型；
    
*   断点难以唯一定位的复杂 SV；
    
*   倒位、易位等不伴随明显拷贝数变化的平衡重排；
    
*   尺寸较小、嵌套或多断点组合的复杂 CNV/SV。

在这些区域中，短 reads 本身长度有限，而单一线性参考又只能提供一条主要路径，容易出现错误比对、多重比对或比对失败。由此得到的覆盖深度、异常 read pair 和 split-read 信号也可能不够稳定，给 SV 断点解析和复杂 CNV 判断带来困难。

* * *

# 三、从线性参考到图泛基因组：为什么同样的 reads 能得到更好的结果？

传统 DNAseq 或 DNAscope 流程通常将 reads 比对到单一线性参考基因组。线性参考成熟、通用，但它只能提供一条主要参考路径，难以完整表达不同人群和不同单倍型中的序列多样性。当样本与线性参考差异较大，或者变异位于高度多态、重复、大片段插入缺失等复杂区域时，短 reads 可能出现错误比对、多重比对或无法比对，继而影响下游变异检测。

Sentieon DNAscope Pangenome 则利用泛基因组图中包含的多条单倍型路径，为 reads 提供更丰富的比对空间。泛基因组流程包含多个阶段，通过两个有向无环图（DAG）执行：

第一个 DAG

*   K-mer 计数：kmc 从输入的 FASTQ 文件中计数 k-mer。
    
*   样本特异性泛基因组：vg haplotypes 利用 k-mer 频率创建样本特异性的泛基因组。
    
*   泛基因组比对：vg giraffe 将读段比对到样本特异性泛基因组。
    
*   读段支持度计算：vg pack 计算变异体的读段支持度。
    
*   结构变异识别：vg call 根据读段支持度识别结构变异。
    
*   线性参考基因组比对：vg surject 将泛基因组比对结果投射回线性参考基因组。
    
*   重复标记：Sentieon Dedup 标记重复读段并计算相关指标。
    
*   Indel 重新比对：Sentieon Realigner 执行 indel 重新比对。
    
*   小变异识别：Sentieon DNAscope 识别小变异（SNV和indel）。
    
*   倍性估计：估计样本性别和倍性，用于下游处理。
    
*   HLA/KIR 基因分型：T1K 对 HLA 和 KIR 基因座进行分型（可选）。
    
*   片段重复变异识别：segdup-caller 识别片段重复区域的变异（可选）。

第二个 DAG

*   CNV 识别：Sentieon CNVscope 识别拷贝数变异，并进行性别特异性处理。
    
*   重复扩增识别：ExpansionHunter 识别重复扩增（可选）。

下游仍可使用熟悉的 VCF 和标准参考坐标，而复杂区域的比对与变异识别能力得到了增强。

用一句话概括，即“FASTQ 没有变，测序成本没有增加；改变的是参考基因组的表达方式，以及数据中有效信息被利用的程度。"

* * *

# 四、Pangenome 的优势：给复杂变异提供更多“可比对路径”

图泛基因组不是只增加一条新参考序列，而是把来自不同个体和单倍型的替代序列组织成图结构。当样本包含线性参考中没有的序列或结构时，reads 可以在图中找到更接近真实样本的路径，从而降低参考偏倚，改善复杂区域的比对质量。

人类泛基因组参考联盟发表的研究显示，与 GRCh38 线性参考流程相比，使用泛基因组分析短读长数据时，小变异发现错误减少 34%，每条单倍型检测到的结构变异数量增加 104% 。这说明图泛基因组不仅有助于 SNP/INDEL，也为短读长 SV 分析提供了更大的提升空间。

需要注意的是，Pangenome 并不会自动解决所有 CNV 和结构重排问题。常规 CNV 仍主要依赖覆盖深度、等位基因比例等证据；平衡易位、复杂嵌套重排和高度重复区域也可能需要核型分析、CMA、FISH、长读长测序或其他方法进行补充与确认。Pangenome 的核心价值，是改善参考表达和 reads 比对，为这些变异提供更充分、更可靠的分析证据。

* * *

# 五、Sentieon Pangenome：让既有二代 WGS 看见更多复杂变异

Sentieon DNAscope Pangenome 将图泛基因组比对、个性化参考、DNAscope 小变异检测、PangenomeSV 和 CNVscope 整合到一套流程中，可同时输出：

*   SNP 和短 INDEL。
    
*   结构变异 SV。
    
*   拷贝数变异 CNV。
    
*   标准参考坐标下的 BAM/CRAM 和 VCF，便于衔接既有注释与解读流程。

对于关注 SV 和 CNV 的生殖遗传研究，Sentieon DNAscope Pangenome 的意义在于：无需重新测序，即可在保留二代 WGS 高通量和成本优势的同时，进一步挖掘复杂区域和结构变异信息；配合 Sentieon 的高效计算能力，也有利于将图泛基因组分析扩展到更大样本量。

生殖遗传检测不能只关注 SNP。Sentieon DNAscope Pangenome 让同一份二代 WGS 数据看见更多复杂变异，为 SV/CNV 分析提供新的流程升级路径。

* * *

# 六、HG002 实测：同一份二代 FASTQ，Pangenome 模式全面提升检测精度

在此前的 HG002 测试中，使用 DNAscope Pangenome 模式，输入 FASTQ 与普通 DNAscope 模式完全相同。

两组分析的关键差异在于：

*   DNAscope 模式采用传统线性参考分析；
    
*   DNAscope Pangenome 模式引入图泛基因组比对和个性化单倍型信息。

在保持测序数据一致的前提下，DNAscope Pangenome 取得了更高的 SNP、INDEL 和 SV 检测精度：

|变异类型|HG002 DNAscope F1 score|HG002 DNAscope Pangenome F1 score|Pangenome亮点|
|--|--|--|--|
|SNP|0.996|0.999|小变异检测保持极高精度|
|INDEL|0.996|0.998|复杂插入缺失识别进一步改善|
|SV|NA|0.955|短读长数据获得突出结构变异检测表现|

尤其值得关注的是，DNAscope Pangenome 的 SV F1 score 达到 0.955，已经超过此前对照测试中 10× 深度长读长 reads 的 SV F1 score。本次测试的结果传递出一个重要信号：在不更换测序数据、不增加一轮测序的情况下，图泛基因组方法可以显著拓展二代数据的分析能力。对于已经积累大量短读长 WGS 数据的研究机构而言，这也为存量数据再分析提供了新的路径。

* * *

# 七、三例 WGS 测试：约 88 分钟完成三个样本的全流程分析

除官方公开数据外，我们还使用了三个人类 Illumina WGS 数据，对 Sentieon DNAscope Pangenome 进行了实际运行测试。

本次测试使用 Sentieon Genomics 202503.03，基于 HPRC v2.0 Pangenome Graph + GRCh38，配套 `SentieonIlluminaPangenomeRealignWGS1.1.bundle` 模型。三个样本均为 Illumina PE150 数据，单样本压缩 FASTQ（R1+R2） 约 71.5 GB，平均测序深度约 34.45×。

计算环境为 HPC：三个样本分别分配至一台 64 CPU 计算节点，并行完成分析。 测试集群单计算节点配置：

*   CPU为Intel(R) Xeon(R) Platinum 8358P CPU @ 2.60GHz 64核心
    
*   内存为 512GB DDR4
    
*   系统为 Ubuntu 22.04.3 LTS

Sentieon 软件地址链接：

*   https://ftp.insvast.com/user/Sentieon/release/sentieon-genomics-202503.03.tar.gz （适配X86架构CPU服务器，例如Intel､ AMD､ 曙光）
    
*   https://ftp.insvast.com/user/Sentieon/release/arm-sentieon-genomics-202503.03.tar.gz （适配ARM架构CPU服务器， 例如华为鲲鹏､ Ampare、阿⾥倚天）
    
* 软件下载链接需用户名与密码，用户名：insvast；密码：Ins@1234

## 1.  参考基因组文件下载

流程会相对于高质量参考基因组识别变异。除参考 FASTA 外，还需要提供 .fai 索引文件；如果从 FASTQ 开始进行 BWA 线性比对，还需要 BWA index。

对于 GRCh38，建议使用不含 ALT contigs 的参考版本，并保持 contig 命名与 pangenome、BED、VCF 文件一致。对于 CHM13 (T2T)，必须确保参考 FASTA、GBZ、HAPL、population VCF、BED 以及已有 BAM/CRAM 都在同一坐标体系下，不能混用 GRCh38 和 CHM13 文件。

下载 GRCh38 参考基因组：

```
curl -L \
  -O 'https://ftp.sentieon.com/public/GRCh38/hg38_canonical.bed' \
  -O 'https://human-pangenomics.s3.amazonaws.com/pangenomes/freeze/release2/minigraph-cactus/hprc-v2.0-mc-grch38.gbz' \
  -O 'https://human-pangenomics.s3.amazonaws.com/pangenomes/freeze/release2/minigraph-cactus/hprc-v2.0-mc-grch38.hapl' \
  -O 'https://ftp.sentieon.com/public/GRCh38/population/pop-v20g41-20251216.vcf.gz' \
  -O 'https://ftp.sentieon.com/public/GRCh38/population/pop-v20g41-20251216.vcf.gz.tbi' \
  -o 'hg38_ucsc.fa' 'https://ngi-igenomes.s3.amazonaws.com/igenomes/Homo_sapiens/UCSC/hg38/Sequence/WholeGenomeFasta/genome.fa' \
  -o 'hg38_ucsc.fa.fai' 'https://ngi-igenomes.s3.amazonaws.com/igenomes/Homo_sapiens/UCSC/hg38/Sequence/WholeGenomeFasta/genome.fa.fai' \
  -o 'hg38_ucsc.fa.amb' 'https://ngi-igenomes.s3.amazonaws.com/igenomes/Homo_sapiens/UCSC/hg38/Sequence/BWAIndex/genome.fa.amb' \
  -o 'hg38_ucsc.fa.ann' 'https://ngi-igenomes.s3.amazonaws.com/igenomes/Homo_sapiens/UCSC/hg38/Sequence/BWAIndex/genome.fa.ann' \
  -o 'hg38_ucsc.fa.bwt' 'https://ngi-igenomes.s3.amazonaws.com/igenomes/Homo_sapiens/UCSC/hg38/Sequence/BWAIndex/genome.fa.bwt' \
  -o 'hg38_ucsc.fa.pac' 'https://ngi-igenomes.s3.amazonaws.com/igenomes/Homo_sapiens/UCSC/hg38/Sequence/BWAIndex/genome.fa.pac' \
  -o 'hg38_ucsc.fa.sa' 'https://ngi-igenomes.s3.amazonaws.com/igenomes/Homo_sapiens/UCSC/hg38/Sequence/BWAIndex/genome.fa.sa' \
  -O 'https://storage.googleapis.com/gcp-public-data--broad-references/hg38/v0/Homo_sapiens_assembly38.dbsnp138.vcf.gz' \
  -O 'https://storage.googleapis.com/gcp-public-data--broad-references/hg38/v0/Homo_sapiens_assembly38.dbsnp138.vcf.gz.tbi'
```

下载 T2T 参考基因组：

*   https://42basepairs.com/browse/s3/human-pangenomics/submissions/89DF6EFF-E289-49A2-B2B4-ABF13E43731B--PanGenie?file=chm13v2.0\_maskedY\_rCRS.fa&preview=

```
aws s3 cp s3://human-pangenomics/submissions/89DF6EFF-E289-49A2-B2B4-ABF13E43731B--PanGenie/chm13v2.0_maskedY_rCRS.fa . --no-sign-request
aws s3 cp s3://human-pangenomics/submissions/89DF6EFF-E289-49A2-B2B4-ABF13E43731B--PanGenie/chm13v2.0_maskedY_rCRS.fa.fai . --no-sign-request
```

## 2.  泛基因组文件下载

新版 DNAscope Pangenome 主要需要以下 pangenome 文件：

|文件|常见格式|说明|
|--|--|--|
|图文件|`.gbz`|pangenome graph 文件，包含图结构和路径信息|
|单倍型文件|`.hapl`|pangenome haplotype 信息|
|参考 FASTA|`.fa`/ `.fasta`|线性参考，用于坐标体系和变异定义|

早期流程中常见的 `.snarls` 和 `.xg` 文件在原文示例中用于 `vg` 相关步骤；在当前 `sentieon-cli dnascope-pangenome` 文档命令中，用户侧核心输入已简化为 `--gbz` 和 `--hapl`。

下载链接：

*   https://data.humanpangenome.org/alignments

![图片](/media/202608/68d0013fba214b87a0987daf6463dbb49208.png)

## 3.  模型包（Model bundle）文件下载

DNAscope Pangenome 需要 Sentieon model bundle。模型包需与测序平台、分析流程和 population VCF 匹配。Sentieon models 仓库中提供了 pangenome 相关模型入口，例如 Illumina whole genome pangenome 和 Ultima whole genome pangenome 模型。

Sentieon models 仓库

*   https://github.com/Sentieon/sentieon-models

## 4.  Population VCF 文件下载

新版流程明确要求提供 population VCF：

```
--pop_vcf POP_VCF
```

population VCF 必须与 model bundle 匹配，并且坐标体系要与当前参考一致。使用 CHM13 时，不能直接沿用 GRCh38 的 population VCF。

下载路径： https://ftp.sentieon.com/public/CHM13/population/

```
wget https://ftp.sentieon.com/public/CHM13/population/pop-v20_chm13-20260528.vcf.gz
wget https://ftp.sentieon.com/public/CHM13/population/pop-v20_chm13-20260528.vcf.gz.tbi
```

![图片](/media/202608/0904b6c23e834767b6883ec3793b80692178.png)

## 5. 使用命令

### 5.1  从 FASTQ 进行泛基因组比对和变异识别

新版 FASTQ 输入命令结构如下：

```
sentieon-cli dnascope-pangenome \
  -r REFERENCE \
  --hapl HAPL \
  --gbz GBZ \
  --r1_fastq R1_FASTQ \
  --r2_fastq R2_FASTQ \
  --readgroup READGROUP \
  --pop_vcf POP_VCF \
  -m MODEL_BUNDLE \
  [-b INTERVAL_FILE] \
  [-d DBSNP] \
  [-t NUMBER_THREADS] \
  [--pcr_free] \
  [-g] \
  [--call_svs] \
  [--expansion_catalog EXPANSION_CATALOG] \
  [--segdup_caller [GENES]] \
  [--t1k_hla_seq T1K_HLA_SEQ --t1k_hla_coord T1K_HLA_COORD] \
  [--t1k_hla_locus T1K_HLA_LOCUS] \
  [--t1k_kir_seq T1K_KIR_SEQ --t1k_kir_coord T1K_KIR_COORD] \
  [--t1k_kir_locus T1K_KIR_LOCUS] \
  [--skip_metrics] \
  [--skip_multiqc] \
  SAMPLE_VCF
```

必需参数包括：

*   `-r REFERENCE`：参考基因组 FASTA。
    
*   `--hapl HAPL`：pangenome haplotype 文件。
    
*   `--gbz GBZ`：GBZ 格式 pangenome graph。
    
*   `--r1_fastq` / `--r2_fastq`：双端 FASTQ 输入。
    
*   `--readgroup READGROUP`：样本 read group 信息。
    
*   `--pop_vcf POP_VCF`：population VCF。
    
*   `-m MODEL_BUNDLE`：Sentieon model bundle。
    
*   `SAMPLE_VCF`：主输出 VCF，需以 `.vcf.gz` 结尾。

### 5.2  从已排序 BAM/CRAM 进行变异识别

如果已有排序后的 BAM 或 CRAM，可使用 `-i` 输入：

```
sentieon-cli dnascope-pangenome \
  -r REFERENCE \
  --hapl HAPL \
  --gbz GBZ \
  -i SAMPLE_INPUT \
  --pop_vcf POP_VCF \
  -m MODEL_BUNDLE \
  [-b INTERVAL_FILE] \
  [-d DBSNP] \
  [-t NUMBER_THREADS] \
  [--pcr_free] \
  [-g] \
  [--call_svs] \
  SAMPLE_VCF
```

BAM/CRAM 的坐标体系必须与 `-r` 指定的参考一致。例如，GRCh38 坐标的 CRAM 不能直接放入 CHM13 流程中运行。

## 6.  单样本运行时间与资源消耗

|样本|单样本 Walltime|峰值内存 MaxRSS|CPU 效率|
|--|--|--|--|
|`clean.lab14_a`|1 小时 19 分 57 秒|211.0 GB|60.2%|
|`AS24201083`|1 小时 20 分 12 秒|210.7 GB|60.1%|
|`clean.lab14_b`|1 小时 20 分 14 秒|207.0 GB|60.2%|

三个样本的单样本 Walltime 均约为 80 分钟。由于三个样本分别在三个节点上并行运行，从项目初始化、参考检查、Pangenome Calling 到结果统计汇总，三个样本的项目级端到端总用时约为 88 分钟，其中核心 Pangenome Calling 阶段约为 77 分钟。

换句话说，在本次硬件和流程配置下，约一个半小时即可完成三例 34.5× 人类 WGS 数据的图泛基因组分析，并同时得到 SNP/INDEL、SV 和 CNV 结果。

## 7.  各分析步骤的时间与内存画像

|分析步骤|耗时|峰值内存|
|--|--|--|
|KMC k-mer 分析与 vg 个性化图构建|约 5 分钟|约 40 GB|
|BWA-MEM 线性比对与排序|约 25 分钟|约 160 GB|
|Minimap2 Pangenome 重比对|约 10 分钟|约 60 GB|
|双路数据去重复与排序|约 15 分钟|约 55 GB|
|DNAscope 变异检测|约 12 分钟|1.33 GB|

完整作业的 MaxRSS 峰值为 207–211 GB，主要出现在比对、排序以及多数据流并行处理阶段；

## 8.  三种模式，应该如何选择？

如果项目的首要目标是替代并加速既有 GATK 流程，DNAseq 是直接选择；如果希望在线性参考体系下提高检测精度，可选择 DNAscope；如果希望让同一份二代数据获得更全面的变异检测结果，尤其关注复杂区域和 SV，DNAscope Pangenome 更值得优先评估。

* * *

# 八、总结

Sentieon DNAscope Pangenome 流程的核心价值，是将图结构参考引入短读长数据分析，在复杂区域和高多样性区域中改善比对与变异检测。同样的数据，更快的分析，更全面的变异结果。这正是 Sentieon DNAscope Pangenome 带来的核心价值：既保留二代测序成熟、经济和高通量的优势，又借助图泛基因组打开复杂变异检测的新空间，让每一份测序数据发挥更大价值。

Sentieon在不断地优化算法的运行效率，为科研工作者提供更快速、更经济的基因检测方案。若您刚好有需要检测的数据，不妨来申请试用Sentieon吧！

* * *

# Sentieon软件介绍

Sentieon为完整的纯软件基因变异检测二级分析方案，其分析流程完全忠于BWA、GATK、MuTect2、STAR、Minimap2、Fgbio、picard等金标准的数学模型。在匹配开源流程分析结果的前提下，大幅提升WGS、WES、Panel、UMI、ctDNA、RNA等测序数据的分析效率和检出精度，并匹配目前全部第二代、三代测序平台。

![图片](/media/202608/68770714dcbc4a5ca70cba9b378d02666798.png)

Sentieon软件团队拥有丰富的软件开发及算法优化工程经验，致力于解决生物数据分析中的速度与准确度瓶颈，为来自于分子诊断、药物研发、临床医疗、人群队列、动植物等多个领域的合作伙伴提供高效精准的软件解决方案，共同推动基因技术的发展。

截至2026年4月份，Sentieon已经在全球范围内为1860+用户提供服务，用户处理超过7400+PB数据量，被世界一级影响因子刊物如NEJM、Cell、Nature等广泛引用，引用次数超过1900篇。此外，Sentieon连续数年摘得了Precision FDA、Dream Challenges等多个权威评比的桂冠，在业内获得广泛认可。