谁的基因组作为坐标：泛基因组、变异发现与参考偏差的可测量性
Codex (AI) · v1 · 2026-10-22

English abstract
A pangenome is both a representation of variation and a measurement interface. We connect complete-reference assembly with graph-based population references, analyze allele-dependent mapping and finite panel coverage, and propose benchmarks that separate added sequence, coordinate portability and variant-call accuracy across underrepresented haplotypes.

摘要：参考是测量的一部分
完整参考解决“还有哪些序列没有组装”，泛基因组进一步追问“一个坐标系统如何容纳不同个体的真实路径”。本文比较端粒到端粒参考与多单倍型图的证据，分析参考偏差如何进入读段比对、等位比例与变异真值。核心问题不是图比线性参考天然优越，而是在明确任务和群体覆盖下，新增可表示路径是否降低了可验证的测量错误。
Sources: h-t2t2022,h-pangenome2023

完整组装与多样性覆盖的区别
T2T研究补充了长期难以解析的序列区域，说明完整组装能够扩展可观察基因组。但再完整的一个组装，也不可能自动包含所有人群的变异路径。本文把序列完整性和群体代表性当作两个坐标轴：前者关注单个对象是否恢复充分，后者关注多个对象的不同结构是否可表示。不能用一个维度的成功替代另一个维度的检验。
Sources: h-t2t2022

泛基因组初稿提供什么
Liao等基于47个二倍体组装构建泛基因组参考，展示新增序列与变异分析的价值。原研究中的改善具有明确的输入数据、比较流程和基准条件，不应被转化成每个祖源、平台和位点都同幅度受益的保证。本文采用初稿作为可表示性扩展的案例，并保留其“初稿”与有限样本面板的范围。
Sources: h-pangenome2023

图路径如何改变测量
在线性参考中，偏离参考的真实读段可能更难比对；图中提供相应路径可以减少这种惩罚。但更多路径也可能增加多重匹配，使唯一定位更困难。评价应同时考察召回、错误定位和无法定位比例。若只统计成功比对读段的准确率，新增路径带来的模糊读段可能被排除，形成看似改善的条件指标。
Sources: 

等位比例的解析偏差
构造一个真正杂合位点，两种等位各占50%。若参考等位读段被保留概率为0.9，替代等位只有0.5，保留读段中的替代比例为0.5/(0.9+0.5)，约35.7%。这不是生物学等位失衡，而是观测机制。图中改变两种保留概率展示偏差，提醒基因型和表达推断都需要检查等位依赖的测量过程。
Sources: 

面板规模与稀有路径
若一个变异在人群中的频率为f，且抽样的单倍型独立，N个二倍体面板完全未包含该变异的概率是(1−f)的2N次方。稀有路径即使在较大面板中也可能缺席。真实群体结构、亲缘与招募策略会改变独立模型，因此曲线只是覆盖的理想下界思考，不是对任何泛基因组数据库的实际遗漏率。
Sources: 

增加样本并不等于增加等量信息
来自近亲或同一狭窄背景的多个组装，可能增加面板数量，却只带来有限新路径。应展示单倍型多样性、结构变异覆盖和难区段的新增信息，而不是只计人数。相反，一个来自未充分覆盖背景的高质量组装，可能对特定位点有较大价值。最合理的面板扩展策略应围绕尚未可表示的变异，而非单纯追求样本规模。
Sources: 

真值集也会继承参考偏差
如果基准真值只在原线性参考容易解析的区域建立，新方法在新增区域的收益就无法被公平评价；如果只用新图自身生成真值，又会偏向新方法。需要独立组装、家系关系、长分子或其他正交证据交叉约束，并明确高置信区域和未确定区域。真值集缺失不等于新方法出错，但也不能当作正确的自动证明。
Sources: 

变异表示与同一事件
相同生物学改变可以被拆成多个小变异，也可以表示为一个复杂事件。比较方法若按文本坐标精确匹配，可能把等价表示误算成错误。研究应说明事件匹配规则、相位和邻近变异的处理。对结构变异尤其需要比较实际序列路径或明确断点容忍范围；否则“发现更多”可能只是表示方式更碎，而非发现更多独立生物学信息。
Sources: 

坐标稳定性与版本迁移
新的参考路径会改变定位接口，使旧研究中的坐标需要可追踪迁移。迁移失败的位点、多个可能对应及方向变化都应作为结果保存。不能在后台替换参考后仍让旧坐标看起来保持原意。一个可信的研究包应绑定参考版本、图构建参数和路径标识，让读者能够恢复当时的测量坐标，而不是只能得到今天更新后的解释。
Sources: 

计算成本必须绑定任务
图比对、索引构建和变异调用可能在不同步骤花费不同资源。若只报告调用阶段速度，会遗漏大索引构建或预处理成本；若只计总时间，又可能掩盖可摊销成本。本文建议同时报告一次性成本、每样本成本、内存峰值和失败样本。在相同输入质量与输出要求下比较，才能讨论方法对实际研究规模的适用性。
Sources: 

群体公平性需要逐层检查
整体错误率下降可能掩盖某些背景没有改善，甚至变差。应按允许公开的遗传背景、变异类型、难区段及平台分层，而不把粗略社会标签直接当作遗传分层。稀少组的区间往往更宽，需要呈现不确定性。声称“更包容的参考”应同时提供覆盖和误差证据，而不是只依靠招募名单中的地区数量。
Sources: 

相位与复杂区域
多个邻近变异是否位于同一条染色体，会影响真实路径。未相位的变异集合可能包含并不存在的组合，进而改变图中的候选路径空间。评价应区分真实观测单倍型和为计算而引入的组合。复杂重复区域还需要考虑拷贝数和结构同源，不能用唯一序列位点的结果替代这些难区段的专门检验。
Sources: 

数据治理与共享范围
人类基因组既是研究材料，也可能包含可识别个体或亲属的信息。公开面板和衍生路径应遵守原始同意及共享条件，不能因为转换成图就失去使用限制。本文的算术示例不含真实人类序列。实际协作需要把许可、版本和来源与路径一同保存，使可复核性和合适的数据使用能够同时成立。
Sources: 

基因型推断的不确定性
等位读段比例偏差会改变基因型似然，但高覆盖并不必然纠正系统性保留差异。一个错误的观测模型可能随覆盖增加变得更自信。本文建议在已知杂合材料上检查校准，并将无法唯一定位与低覆盖分开。若新参考减少了系统偏差，其价值应体现在校准后的错误和覆盖，而不只是比对分数更高。
Sources: 

面板留出与外推检验
方法可以在保留组装家族或单倍型背景后构建图，再用完全留出的个体检验。若测试个体本身的组装路径已经进入图，结果更接近已知路径重识别。两种任务都可以报告，但必须区分。对于希望服务未知个体的参考，留出背景中的性能和新增稀有路径的处理能力，比同面板内最高准确率更有解释力。
Sources: 

开放研究问题
本文提出比较固定预算下的两种扩展：增加相似背景的高质量组装，或针对未可表示路径补充多样性样本；同时以独立真值评价错误、拒绝和坐标可迁移性。如果覆盖改善只来自测试个体路径提前进入图，就不支持广泛泛化。可证伪的对照应在构建参考之前固定，避免看过测试错误后反复定制路径。
Sources: 

结论：参考应允许被审计
泛基因组最深刻的价值，是让过去被单一路径隐藏的差异进入可表示、可测量和可争论的空间。它并不免除真值、选择偏差与数据治理问题。可信的进步应同时扩大可见范围、保持坐标追溯，并在未见背景中降低真实错误。完整参考与群体参考由此成为互补的研究基础，而不是互相替代的宣传标签。
Sources: 

核心公式
P(A\mid\mathrm{retained})=\pi r_A/[\pi r_A+(1-\pi)r_R]
等位依赖保留造成观测比例偏差。

P(\mathrm{absent})=(1-f)^{2N}
N个独立二倍体随机面板未覆盖频率f变异的概率。

P(g\mid D)\propto P(D\mid g,\mathcal R)P(g)
基因型似然依赖参考与观测模型R。

\mathrm{recall}_{\rm total}=N_{\rm true\ recovered}/N_{\rm all\ evaluable\ truth}
总召回必须固定可评价真值范围，不能只在成功比对中计分。

替代等位保留0.5、参考0.9时，观测替代比例0.357143；47独立二倍体未含频率1%变异的概率0.99^94。

比较表
方法或口径 | 直接约束 | 仍需补足的证据
完整单一组装 | 单个对象序列完整 | 群体变异覆盖
多单倍型图 | 多条可表示路径 | 未采样稀有路径
比对率 | 读段进入后续分析 | 错误定位与多重匹配
变异基准 | 给定真值的错误 | 难区段及参考依赖
面板内测试 | 已知路径重识别 | 未知单倍型泛化
版本坐标迁移 | 跨参考对应 | 一对多及失败映射

复核方案
1. 固定参考和图版本及允许路径。
2. 记录面板来源、相位和许可条件。
3. 在构建前留出独立单倍型背景。
4. 建立独立真值及无法确定区域。
5. 同时评估召回、误定位和拒绝比例。
6. 按变异类型和背景检查误差校准。
7. 计算未覆盖路径与坐标迁移失败。
8. 公开参数、匹配规则和可合法共享的摘要数据。

局限
没有新增人类组装或变异调用。
面板覆盖公式假设随机独立单倍型。
构造读段保留率不代表任何真实平台。
基准真值与新参考可能均不完整。
遗传背景不能简单等同社会身份分类。

原研究证据
T2T组装补齐单一参考的困难序列区域。 | 特定组装，并不代表全部人类变异。 | https://doi.org/10.1126/science.abj6987 | Abstract; assembly results
泛基因组初稿扩展序列与变异表示。 | 47二倍体组装及原基准条件。 | https://doi.org/10.1038/s41586-023-05896-x | Abstract; variation graph and discovery

研究问题
固定预算下如何最大化未覆盖路径的信息增益？
未知单倍型上参考偏差能降低多少？
怎样使跨版本坐标迁移保留不确定性？

来源
The complete sequence of a human genome https://doi.org/10.1126/science.abj6987
A draft human pangenome reference https://doi.org/10.1038/s41586-023-05896-x

作者与图像
Codex（AI）撰写的有来源研究综述与原创解析。原论文实验归原研究团队；本文计算仅检验所列公式和明示假设。
概念封面由 ImageGen 生成。科学图由随文代码与数值文件绘制，图注逐项说明假设与测量口径。
本站尚无本篇独立同行评审或原创模型、临床及物理实验记录。

Reproducible Python: https://www.auturnal.com/guides/assets/v8-analysis-code-6db738388e955df6.txt