四大因素,，從源頭解析Duplication

導(dǎo)語：

測序技術(shù)面世至今發(fā)生了諸多的技術(shù)革新,，經(jīng)歷了sanger測序?yàn)榇淼牡?mdash;代測序,、高通量為代表的第二代測序和單分子實(shí)時(shí)測序?yàn)榇淼牡谌鷾y序,。迄今為止，高通量測序（ next generation sequencing NGS）技術(shù)日趨成熟,，正式進(jìn)入臨床疾病診療階段,，與我們生活息息相關(guān)。

Dup背景解讀

高通量測序檢驗(yàn)流程可分為“實(shí)驗(yàn)室操作”（又稱為“濕實(shí)驗(yàn)”）和“生物信息學(xué)分析”（又稱“干實(shí)驗(yàn)”）兩部分,。對應(yīng)的實(shí)驗(yàn)操作部分,，可點(diǎn)擊高通量建庫了解。生物信息學(xué)主要是測序完成之后的數(shù)據(jù)分析和解讀,，包括數(shù)據(jù)的拆分,、比對和匯總，其中數(shù)據(jù)的有效性,，也就是報(bào)告中常見的duplication rate 這一名詞,，是生信分析的一個(gè)重要指標(biāo)，它讓我們對測序得出的數(shù)據(jù)進(jìn)行一個(gè)大致的了解,。

所謂Dup,，即重復(fù)序列Duplicate reads（涉及相關(guān)概念可點(diǎn)擊此處），這些重復(fù)序列在總測序序列中占比簡稱為Dup rate,。由于這些重復(fù)序列不能帶來額外信息,，相反會(huì)影響變異檢測結(jié)果準(zhǔn)確性，因此下游生信分析中這些重復(fù)序列是需要去除的去掉,，這也就意味著Dup rate越高，數(shù)據(jù)利用率越低,，測序成本浪費(fèi)的也就越多,。因此在NGS生信分析中首要了解的就是dup rate的占比

常見測序?qū)?yīng)Dup可能值

影響Duplication Rate的因素

高通量測序技術(shù)的不斷革新，生物信息學(xué)的分析也不斷進(jìn)步與發(fā)展,，就dup來源,，根據(jù)其定義與現(xiàn)實(shí)的案列分析,，客觀來講主要有以下幾個(gè)方面：

1.樣本本身所導(dǎo)致的dup值

2.建庫過程中產(chǎn)生的dup值（片段化，接頭連接,，PCR擴(kuò)增）

3. Cluster生成對dup的影響（主要指上機(jī)之后）

4. 光學(xué)分辨引起的dup

通常來講,，我們認(rèn)為的dup都是些無效數(shù)據(jù)，且基本上都是從建庫過程中產(chǎn)生的,，但實(shí)際案列告訴我們,，有些時(shí)候dup也是“好”的有用數(shù)據(jù)，上機(jī)過程導(dǎo)致的dup值可能要要比我們建庫過程中產(chǎn)生的dup值要大的多,。

影響因素解讀：

1樣本本身所導(dǎo)致的dup值

不同物種的基因含量不同,，基因多樣性不同，對應(yīng)的基因表達(dá)情況也千差萬別,。在*相同操作的前提下,，不同的樣本對應(yīng)的dup值也有所差別。比如

1）cfDNA和ctDNA：游離DNA斷裂不是隨機(jī)的而是有偏向性的,，自然cfDNA的分子多樣性可能會(huì)比人工cfDNA要差一些,，且片段長度一般分布在165bp左右，較為集中的size分布比物理打斷的size分布更不容易丟失片段,，這樣可能導(dǎo)致相比較常規(guī)的基因組樣本cfDNA和ctDNA引起Duplication Rate會(huì)高一些,。

2）基因組DNA ：以人類基因組為列，本身含有大量的基因組信息,，不同細(xì)胞相同編號染色體在基因組片段化過程中是有可能產(chǎn)生一些起始位置和終止位置相同的分子片段的,。此時(shí)對應(yīng)的dup值就是樣本本身的dup值。在后期分析中可以作為保留數(shù)據(jù)進(jìn)行分析,。

3）甲基化DNA：經(jīng)過亞硫酸氫鹽反轉(zhuǎn)的DNA,，堿基類型都少了一種，分子多樣性不但下降,，更是引入了尿嘧啶,，外加一些建庫方式有著明顯的GC偏好性，導(dǎo)致后期對應(yīng)的dup值會(huì)明顯的變高,。

4）RNA：一般我們所做的測序都是全外顯子組,，只占全基因組的2%不到，少了內(nèi)含子以及非基因區(qū)域的參與,，同時(shí)對應(yīng)有高表達(dá)的基因和不表達(dá)的基因,，分子多樣性肯定就弱了很多。后期對應(yīng)的dup值是目前測序中占比量較高的樣本,。

2.建庫過程中產(chǎn)生的dup值

1）片段化對Duplication Rate的影響

無論是超聲波打斷,、高壓氣體噴斷，還是酶切切斷,，都要注意隨機(jī)性和均一性,，同時(shí)需要保證片段化之后獲得適當(dāng)?shù)拈L度,，片段長度越小，導(dǎo)致擴(kuò)增越容易,，加劇了PCR bias,，后引起PCR產(chǎn)物復(fù)雜度降低，dup rate升高,。

2）鏈接效率對Duplication Rate的影響

對末端修復(fù)連接的效率的考量應(yīng)該根據(jù)樣本類型來考慮,，比如ctDNA，單細(xì)胞樣本,，對應(yīng)的連接效率就要很高,，不然低頻的目標(biāo)片段就會(huì)消失。某種程度上,，連接效率越高,，分子多樣性越好，dup rate也就越低,。

3）PCR擴(kuò)增對Duplication Rate的影響

首先我們了解一下PCR bias：

PCR擴(kuò)增帶有一定的偏好性和錯(cuò)配率,，會(huì)影響終形成文庫的覆蓋度和測序準(zhǔn)確性。

PCR本身對于不同GC含量的樣本的擴(kuò)增效率是不同的,，中等GC含量擴(kuò)增效率///高,，高GC含量擴(kuò)增慢，也就是說PCR循環(huán)越多,，擴(kuò)增困難和擴(kuò)增容易的片段之間相差就會(huì)越大,，對應(yīng)的分子多樣性就會(huì)越低，dup就會(huì)增大,。

另外PCR本身在擴(kuò)增的過程中可能會(huì)產(chǎn)生一些堿基的錯(cuò)配,，錯(cuò)誤的擴(kuò)增可能會(huì)到出現(xiàn)與現(xiàn)有相同基因的結(jié)果，導(dǎo)致dup值升高,。

另外我們解釋一下,，為什么我們PCR擴(kuò)增要控制在較小的循環(huán)數(shù)內(nèi)。

我們知道PCR過程中,，每一次循環(huán),，對應(yīng)生成的產(chǎn)物都是一樣的，PCR放大成百上千倍,，為什么NGS的Dup rate只有十位數(shù)甚至是個(gè)位數(shù)呢,？（對應(yīng)的數(shù)學(xué)解釋可參考對應(yīng)的參考文獻(xiàn)1）

舉例如下：

有編號1~1,000,000,000的1億個(gè)小球不同的DNA///片段），通過某種方法復(fù)制了一下（PCR擴(kuò)增）,，然后每個(gè)編號的小球都變成了10個(gè)?，F(xiàn)在，你要從里邊挑選出1萬個(gè)小球出來（測序數(shù)據(jù)量）,，挑選兩個(gè)一樣的概率會(huì)有多大呢,？也就是說雖然PCR將待測分子放大了成百上千倍，但是相對于數(shù)量遠(yuǎn)遠(yuǎn)多于納米孔/點(diǎn)數(shù)的Unique分子來說,，能在茫茫人海中被1個(gè)孔隨機(jī)選中已是萬萬幸,，更何況是再次隨機(jī)選中同一個(gè)Unique分子簇中的Copy形成Dup呢？

因此對于PCR過程中的dup值,，我們可以人為的增加投入樣本的量（增加樣本DNA的多樣性）,，同時(shí)降低PCR的循環(huán)數(shù)，選擇均一性和保真性較好的擴(kuò)增酶,，就可以將這一過程中產(chǎn)生的dup,，控制在合理的范圍內(nèi)。

3. Cluster生成對dup的影響

Cluster在flowcell上的生成也是一個(gè)PCR過程,。這個(gè)PCR比較容易被人遺忘,。如果cluster變少，影響dup rate,。原因是比例少的分子可能不能產(chǎn)生cluster,，唯—性分子數(shù)減少，進(jìn)而影響dup rate,。適當(dāng)?shù)腸luster生成密度,，不僅能夠獲得///佳的數(shù)據(jù)產(chǎn)量，也能夠獲得較低的dup rate,。目前的平臺(tái)中,，我們都希望cluster是單克隆(monoclonal)的，多克隆(Polyclonal)的cluster會(huì)出現(xiàn)空間距離過近而導(dǎo)致圖像識別時(shí)相互overlap的cluster被測序識別程序過濾掉,，造成的直接影響就是cluster密度過高,，數(shù)據(jù)產(chǎn)量降低，整張芯片的cluster多樣性降低,，造成dup rate升高,。

4. 光學(xué)分辨引起的dup

目前的測序平臺(tái)主要包括兩種擴(kuò)增方式illumina和life的線性分子擴(kuò)增，和ICG的滾環(huán)擴(kuò)增,，形成的DNA Nanoball都是靠流體來保證芯片表面利用率的,，芯片利用率是數(shù)據(jù)高產(chǎn)出的基礎(chǔ)，相反待測分子與芯片的結(jié)合的同時(shí),，可能導(dǎo)致反應(yīng)不充分的信號點(diǎn)因?yàn)樾盘枏?qiáng)度顯著弱于反應(yīng)充分的“鄰居”,，從而被映射成兩個(gè)孔表達(dá)出一樣的信號，也就是一種光學(xué)上的Dup,。

總結(jié)：

綜合考慮分析,，影響dup的主要因素就是DNA的多樣性，其中樣本本身所產(chǎn)生或者增加的dup值,，這種情況占比量較小,，我們一般可以忽略,；PCR產(chǎn)生的dup值，我們在選擇均一性和保真性較好的擴(kuò)增酶的同時(shí),，人為的降到底拷貝數(shù)也是可行的（一般控制在6-10 cycle）,；至于Cluster和光學(xué)分辨引起的dup，主要是和測序平臺(tái)相關(guān),，不同測序平臺(tái)還是有一定的差異的,，主要原因是cluster與光學(xué)分辨過程中導(dǎo)致的DNA多樣性的改變和信號收集的誤差，目前來說可能是產(chǎn)生dup的主要來源,。

【1】Eric Vallabh Minikel. How PCR duplicates arise in next-generation sequencing[Z].2012,12.

【2】illumina. Effects of Patterned and Nonpatterned Flow Cells [Z]. 

【3】 Sayols S, Scherzinger D, Klein H. dupRadar: a Bioconductor package for the assessment of PCR artifacts in RNA-Seq data. BMC Bioinformatics. 2016 Oct 21;17(1):428

【4】Natarajan KN, Miao Z, Jiang M,，et al. Comparative analysis of sequencing technologies for single-cell transcriptomics. Genome Biology. 2019 Apr 9;20(1):70.