Samtools markdup工具在PacBio HiFi长读长数据中的应用分析

背景概述

在二代测序数据分析流程中，去除PCR重复（deduplication）是一个标准步骤，主要目的是消除PCR扩增过程中产生的重复序列。samtools markdup作为该流程中的常用工具，最初是为处理Illumina双端短读长数据而设计的。然而，随着三代测序技术如PacBio HiFi的普及，研究人员开始尝试将传统分析流程应用于长读长数据，这就引发了一个重要问题：markdup工具是否适用于PacBio HiFi数据？

技术原理剖析

PacBio HiFi技术特点

PacBio HiFi（高保真）测序通过环形一致性测序（CCS）产生长读长数据，具有以下关键特征：

1. 单分子测序：不经过PCR扩增，理论上不应产生PCR重复
2. 高准确性：读长通常在10-25kb，错误率低于1%
3. 单端测序：所有读长均为单端数据

samtools markdup工作机制

该工具主要通过以下机制识别重复：

1. 对于双端数据：比较两端的比对位置和插入片段大小
2. 对于单端数据：仅比对起始位置（5'端）和读长长度
3. 光学重复检测：识别可能来自测序芯片同一物理位置的读长

实际应用观察

在PacBio HiFi数据上运行samtools markdup（v1.19）时，观察到了以下现象：

• 输入读长数：2,441,520
• 标记为重复的单端读长：46,320（约2.2%）
• 光学重复数为0

这一结果看似显示存在大量"重复"，但实际上反映了工具的设计局限：

1. 单端重复检测的敏感性不足
2. 长读长数据更容易因微小的比对位置差异而被误判为不同读长
3. HiFi数据本身不应存在PCR重复

专家建议

基于技术原理和实际观察，建议在PacBio HiFi数据分析中：

1. 不建议使用markdup步骤：HiFi数据本身无PCR重复，去重可能引入假阳性
2. 若必须检测重复，应考虑：
   • 使用专门为长读长设计的工具
   • 设置更严格的比对标准（如增加-l参数值）
3. 质量控制重点应放在：
   • 读长质量过滤
   • 嵌合体检测
   • 覆盖度评估

技术延伸

对于长读长数据的重复分析，研究人员应考虑：

1. 生物学重复（如高拷贝数区域）与技术重复的区别
2. 使用读长一致性分析代替简单的重复标记
3. 开发针对长读长特性的专用算法

结论

samtools markdup作为为短读长设计的工具，在PacBio HiFi数据分析中可能产生误导性结果。理解工具的设计原理和数据类型特性，对于构建合理的分析流程至关重要。在长读长时代，我们需要重新评估传统分析步骤的适用性，并开发适应新技术特点的分析方法。