做了几年临床基因组数据分析，最大的体会是：流程跑通只是入门，真正考验人的是家系分析和肿瘤分析这两条逻辑线怎么在同一个底座上高效落地。最近正好把一套覆盖外显子组和基因组数据的分析流程完整梳理了一遍，从FASTQ比对、变异检测，到家系共分离分析、肿瘤体细胞突变注释，中间踩了不少坑。这篇就按实战链路把核心思路、关键参数和排查经验一次性讲清楚，给正准备搭流程或已经在跑数据的同行做个参考。
1. 家系分析与肿瘤分析：两条路线，一套底座
1.1 搞清楚变异性质：胚系与体细胞的本质区别
家系分析和肿瘤分析看似都是"把测序数据变成变异列表"，但它们的底层逻辑截然不同。
家系分析针对的是胚系变异（germline variant），这类变异存在于个体所有细胞中，是遗传自父母或新发突变（de novo）的。分析的核心目标是找到与疾病表型共分离的致病变异，典型场景是罕见遗传病诊断、产前遗传学检测。它的数学基础是孟德尔遗传规律：常染色体显性、常染色体隐性、X连锁、线粒体遗传，每一种模式的筛选逻辑都不同。
肿瘤分析针对的是体细胞变异（somatic variant），这类变异只存在于肿瘤组织中，是后天积累的突变。分析的核心是区分肿瘤组织和正常组织之间的差异，找到驱动基因突变、计算肿瘤突变负荷（TMB）、微卫星不稳定性（MSI）等治疗相关标志物。它的底层逻辑是"差异比较"，而不是"遗传共分离"。
这两条路线在实际操作中共用同一个预处理底座，但从变异检测这一步就开始分叉了。如果一开始没想清楚样本性质，后面很容易把胚系突变误判成体细胞突变，或者反过来，这类错误在临床报告中是致命的。所以做流程设计时，我习惯把预处理、质控、比对、去重这些步骤统一定义成一套流程，变异检测和后续分析按样本类型走各自的管线。
1.2 流程选型思路：开源为主，关注可维护性
现在业内的主流方案基本围绕GATK生态展开。胚系分析用HaplotypeCaller，体细胞分析用Mutect2，注释用VEP或ANNOVAR，这些都是基因组分析工具包（Genome Analysis Toolkit）体系下的成熟方案。近期在实际跑流程时，我也对比了基于深度学习的新一代变异检测工具，它们在部分场景下对复杂区域的检测能力有提升，但在临床报告中，可解释性和证据链完整性仍然优先，所以我目前仍然以GATK流程为主，深度学习工具作为交叉验证的补充。
选型时要重点考虑三个问题：
- 可维护性：流程涉及的工具越多，版本管理和依赖冲突就越头疼。建议用Conda环境配合Nextflow或Snakemake这类工作流引擎，把每一步的参数和版本固定下来。
- 可解释性：临床结果最终要经得起审核。GATK的VCF有完整的QUAL、DP、AD等字段，带Filter标记，方便回溯每一步过滤逻辑，这点很重要。
- 计算成本和速度：全外显子组（WES）单个样本从FASTQ到VCF，在32核服务器上大约需要6-10小时；全基因组（WGS）样本则需要30小时以上。如果样本量达到几十上百例，预算和时间规划要提前做。
我在实际项目中采用了一套"统一预处理 + 双分支分析"的架构：预处理阶段完全一致，变异检测阶段按家系/肿瘤分支调用不同工具，最终注释和报告阶段再统一归档。这样既保证了流程一致性，又避免了两套流程的重复维护。
1.3 数据底线：样本质量决定了分析上限
不管分析流程多规范，样本质量不过关，结果都是空中楼阁。做临床样本分析，我每一次都会在流程最前面加上严格的质量校验，这里不是指FASTQ的碱基质量，而是样本本身是否适合做这项分析。
首先是样本纯度与DNA质量。肿瘤组织样本要关注肿瘤细胞含量（tumor purity），如果低于20%，体细胞突变检测的灵敏度会显著下降，这时候报告阴性结果要格外谨慎。家系样本相对宽容，但要关注DNA降解程度，特别是长期保存或甲醛固定石蜡包埋（FFPE）样本，降解严重的话测序覆盖度会不均一。
其次是样本混淆风险。家系样本做Trio分析时，如果父母样本和先证者样本的对应关系错了，整个分析方向都会被带偏。我习惯用全基因组层面的SNP一致性检查：提取VCF中高频SNP位点，比对先证者和父母的基因型关系，验证是否符合孟德尔遗传预期。这一步成本极低，但能避免灾难性错误。
最后是测序覆盖度。WES外显子组还要特别关注目标区域的覆盖均一性。标准要求是目标区域平均测序深度不低于100X，其中20X以下区域的占比应该控制在5%以内。如果某些关键致病基因的外显子覆盖不足，变异检测会漏掉或产生低质量基因型，下游筛选和遗传模式推断都会失真。
2. 从FASTQ到VCF：数据预处理的那些细节
2.1 比对与去重：BWA-MEM和MarkDuplicates的正确用法
预处理的第一步是质控和比对。质控环节我用的高频工具是fastp，它在去除低质量碱基、接头序列的同时会生成一份可读性很高的HTML报告。在这里要关注的指标包括总读段数、Q30比例、GC含量异常、重复率等。如果你发现自己手上的样本重复率超过15%，先排查是否上机前扩增过多，而不是急着往下跑流程。
比对工具一般用BWA-MEM，参数上值得注意的有几个：
-M参数：把多个比对的读段标记为副比对（secondary alignment）。这个参数主要为了兼容Picard和GATK的后续处理，不加会在去重环节产生一些奇怪的计数。-t线程数：WES数据建议直接给满16线程，比对这一步的加速比很线性。-R读组信息：这是新手最容易忽略的。每个样本的FASTQ在做比对之前必须先加上样本ID、文库ID、平台信息等标签，后续重复标记、多样本合并、变异检测都会依赖这些信息。我踩过没有加RG标签导致两个样本比对结果无法合并的坑，印象深刻。
比对完成后的BAM文件要和参考基因组比对，确认染色体的命名一致，避免UCSC和Ensembl命名混用导致的坐标错位。这里推荐一个轻量级做法：比对后先抽查几个已知基因的坐标区间，确认没有整体偏移再继续。
去重环节用Picard的MarkDuplicates，逻辑是标记出由于PCR扩增产生的重复读段而不是直接删除，保留在高深度区域的有效信息。WES数据由于捕获过程本身会引入较高的重复率（25%-40%都算正常），所以这一步阈值不用过于敏感。值得注意的是，对于肿瘤样本，如果测序深度做得很高（比如肿瘤组织500X），重复率有时候会到50%以上，这是正常的，不要误判成实验污染。
2.2 碱基质量校正：BQSR到底解决了什么问题
碱基质量值重校正（Base Quality Score Recalibration，BQSR）是GATK最佳实践中很有代表性的一步，但它的原理经常被误解。简单解释一下：测序仪给出的碱基质量值经过了一些系统性偏差的污染，比如测序循环中靠后的位置质量普遍偏低、某些特定的碱基上下文（如G后的T）质量波动等。BQSR就是用一个已知的常见变异数据库做基准，统计这些系统性偏差，把每个碱基的质量值修正到更贴近真实错误率。
操作上BQSR分为两步：先基于已知常见变异位点计算协变模型（BaseRecalibrator），再用生成的模型对BAM进行校正（ApplyBQSR）。这里的关键参数是--known-sites，一般至少要给dbSNP、1000 Genomes和Mills Indels这几个标准集。如果--known-sites给少了，模型会把真实变异当成误差去校正，反而损伤真实变异的质量值。
有些流程为了节省时间会跳过BQSR，这在小规模科研项目里可以接受，但临床样本分析我还是强烈建议加上，因为它能显著降低假阳性变异在低质量区间的富集，尤其是那些位于均聚物区或测序读段末端的变异。做完BQSR之后要重新生成比对统计，检查校正前后质量分布是否合理变化。
2.3 变异检测：家系用HaplotypeCaller，肿瘤用Mutect2
预处理做完之后，就进入变异检测的分叉点。
家系样本的胚系变异检测，用GATK的HaplotypeCaller，核心思路是单样本先产出gVCF，再做联合基因分型。为什么要分两步？因为家系分析需要在多位点层面联合判断基因型。比如复合杂合变异的检测，需要同时看到两个不同位点在先证者体内的存在状态；而de novo变异检测，需要父母位点是野生纯合、先证者是杂合的明确基因型。联合基因分型（GenomicsDBImport + GenotypeGVCFs）可以保证这些判断基于统一的位点和质量基准，而不是各样本各跑各的然后再过滤。
HaplotypeCaller的关键参数：
--emit-ref-confidence GVCF：必须用这个模式产出gVCF，适用于多样本联合分析。--annotation-group StandardAnnotation和--annotation-group ClinVarAnnotation：添加标准注释组合，确保后续过滤时能有效提取覆盖深度（DP）、等位基因支持数（AD）、基因型质量（GQ）等字段。--pcr-indel-model NONE：如果是PCR-free建库流程，这个问题不大；如果是含PCR扩增的WES样本，建议保留默认。
肿瘤样本的体细胞变异检测，用Mutect2。Mutect2的工作模式和HaplotypeCaller不同，它是成对比较：给定一个肿瘤样本和一个正常样本（或者一个参考面板），寻找肿瘤中特异的、正常样本中不存在的变异。要注意，这里的"正常样本"理论上最好是同一个个体的血液或癌旁组织，这样能最大程度排除胚系变异的干扰。Mutect2输出时会带一个关键的FILTER标签，像germline_risk、triallelic_site、panel_of_normals这些，后续过滤要重点关注，不能简单地把所有PASS位点直接拿去注释。
3. 家系变异筛选：找到那个"嫌疑人"
3.1 Trio分析与遗传模式匹配
家系分析中最经典的样本结构是Trio，即先证者加父母双方。Trio的价值在于能精确定义变异的来源：
- De novo变异：先证者携带变异而父母都没有，是常染色体显性遗传病和部分严重早发疾病的核心候选。
- 隐性遗传：先证者两个等位基因都发生了变异（纯合或复合杂合），父母各带一个。
- X连锁：男性先证者的X染色体变异来自母亲，但父亲不含该变异。
在做遗传模式匹配之前，先要完成家系关系中基因型的孟德尔一致性检验。这一步用GATK的CalculateGenotypePosteriors配合家系结构文件就能完成。如果发现大量位点违反孟德尔遗传规律（比如父母都是野生纯合但子代是纯合变异的比例超过预期），优先怀疑样本关系是否拿错，其次考虑样本是否存在拷贝数变异影响基因型判断，最后再怀疑测序或分析的问题。
在做家系报告时还很常见的一个问题是"复合杂合"的判断。两个隐性致病位点如果都在同一个基因上，且分布在两个不同的等位基因上（反式构型），组成复合杂合才会致病。如果两个位点在同一个等位基因上（顺式构型），即使两个位点都有害也不一定致病。判断构型需要追踪父母来源（phase），先证者的两个变异来自父母各一个，如果来自父亲的变异和来自母亲的变异恰好是同一套等位基因的不同位点，就是反式。这一步分析上没太多捷径，需要在报告前逐位点人工核对IGV图像。
3.2 变异过滤策略：从几十万到个位数
一个典型WES样本经过变异检测后会得到几十万个位点，要从里面找到1-2个真正的致病变异，靠的是层层过滤。
我的过滤策略大致分为四步：
第一步，位点硬过滤。按GATK建议的标准过滤低质量位点（QD < 2.0，FS > 60.0，MQ < 40.0等），去掉Indel区域附近、均聚物区间、低深度的不可靠位点。这一步通常能把位点数从几十万降到一个数量级以内。
第二步，人群频率过滤。用gnomAD、ExAC、本地人群数据库作为参照，过滤掉在健康人群中频率过高的位点。对于隐性遗传病，一个位点在人群中的等位基因频率超过5%基本可以排除；对于常染色体显性遗传病，频率超过1%就比较可疑。对于de novo变异，几乎要求该变体在gnomAD中最罕见的状态（等位基因计数为0或接近0）。
第三步，变异类型和功能影响筛选。优先关注外显子区的非同义突变、移码、终止密码子获得/丢失、剪接位点变异。这一轮功能注释筛选后，候选位点通常能降到几十个以内。
第四步，遗传模式与表型匹配。根据疾病的遗传模式确定候选位点是否符合预期；然后匹配基因的表型相关性，阅读OMIM条目和已有文献，确认基因与患者临床表型的对应关系。这一步之后通常只剩个位数甚至1-2个候选。如果这个时候候选全部落空，建议回去检查第一步和第二步的过滤阈值是不是放得太紧，尤其要复查那些因为FS值偏高被过滤掉的潜在致病位点，这个坑我至少踩过两次。
3.3 验证环节：Sanger与IGV人工复核
分析流程筛选出的候选变异，在临床报告出具前必须经过验证。金标准是Sanger测序，虽然成本高、周期长，但对单一位点的验证可靠。对于家系样本，Sanger验证还要带上父母样本，以确认变异的遗传来源和共分离情况。如果家系里还有其他患病成员，尽可能一并验证，这显著增强证据强度。
在Sanger验证之前，我习惯先用IGV人工复核每个候选变异。这一步能发现很多VCF中看不出来的问题：比如变异区域是否存在链特异性偏差（所有变异都在一个方向的reads上）、是否位于比对质量差的高GC区域、是否存在由于比对引起的人工拼接错位等。IGV检查时，我会对比三个轨道——BAM中的原始比对、BAM中的变异支持reads以及参考基因组序列自身。如果变异位点周围的比对在多个方向上都很清晰，加上Sanger验证结果一致，这个变异才算可靠。
4. 肿瘤体细胞突变与克隆分析
4.1 肿瘤-正常配对分析实战
肿瘤体细胞分析的第一步是确定配对关系。理想情况是同一患者的肿瘤组织DNA和正常组织DNA（最好是血液白细胞或癌旁组织）一起测序。没有配对的肿瘤单样本分析也可以做，但就要依赖panel of normals（一组代表性正常样本的测序队列）来吸收背景噪声，灵敏度会差很多。我在日常项目中，优先选择配对样本，只有在特殊条件下才用单样本模式。
Mutect2体细胞流程的几个实用参数：
--tumor-sample和--normal-sample：明确指定配对两个样本的名称，要和BAM的ReadGroup保持一致。--germline-resource：提供一个胚系变异资源（如gnomAD的AF-only数据），帮助Mutect2区分胚系还是体细胞突变。--panel-of-normals：有质量好的panel就尽量给。它最大的作用是滤除那些由于文库制备或捕获过程引入的系统性假阳性位点。--f1r2-tar-gz和--f1r2-filter：收集索引为F1R2的read对数据并学习过滤模型，这个组合在降低测序错误导致的假阳性方面效果明显。
产出VCF后，需要再用FilterMutectCalls做一遍过滤，它会根据交叉污染、序列上下文、等位基因频率等多个维度给每个位点加Filter标签。重点看PASS位点是否能通过后续的人工复核。
4.2 FFPE损伤与假突变处理
肿瘤临床样本很大比例来自FFPE组织（甲醛固定石蜡包埋），这类样本在固定过程中会发生胞嘧啶脱氨基导致的C>T和G>A突变，这是FFPE样本中最主要的人为突变来源。如果不处理，这些假突变会被当成体细胞突变进入报告，后果很严重。
应对策略有几个层面：
- 实验层面：使用专门的FFPE修复酶处理DNA损伤，这是最根本的办法。
- 生信层面：对FFPE样本可以单独训练一套Mutect2的过滤模型，它会学习这些FFPE特有的错误模式。同时，在注释报告中增加一条提醒：当肿瘤样本为FFPE来源时，C>T/G>A的候选驱动突变应加强复核。
- 数据层面：观察变异的等位基因频率分布。如果是FFPE损伤导致的假突变，它们通常是低等位基因频率但是大量聚集在损伤模式上。如果TMB计算结果异常偏高，且前两位的突变类型是C>T和G>A，优先怀疑FFPE损伤，而不是真实的超突变表型。
我处理过一个样本测序深度正常、但TMB计算出来的数值是正常值的10倍的情况，排查后发现就是因为FFPE损伤产生了大量C>T假突变，把这个因素校准之后突变负荷才回到合理区间。这类坑在肿瘤临床分析里出现的概率很高，经验是：在看到异常高的TMB时永远先怀疑样本质量和FFPE损伤。
4.3 克隆结构与治疗相关标志物
体细胞突变分析不只是找驱动基因点突变，拷贝数变异（CNV）、结构变异（SV）、克隆结构分析同样重要。拷贝数变异会直接影响某些驱动基因的拷贝数状态，比如ERBB2扩增、PTEN缺失。结构变异在部分肿瘤类型中是核心驱动事件，比如基因融合。WES数据做CNV可用CNVkit、CNVpytor等工具，它们根据目标区域的深度来推断拷贝数变化，灵敏度没有WGS高，但对于大片段拷贝数改变（大于1Mb的事件）基本够用。
克隆结构分析则回答一个更宏观的问题：肿瘤内部存在几个亚克隆群体？哪些突变是早期克隆事件（所有癌细胞都携带的Trunk mutation）、哪些是晚期亚克隆事件？常用工具包括PyClone、PhyloWGS、SciClone等。它们输入的是每个位点的等位基因频率以及拷贝数状态，通过聚类把这些位点分到不同的克隆群，进而推断肿瘤演化路径。
不过要注意：WES数据做克隆结构分析，分辨能力有限，因为每个区域的深度只有几百X，低频亚克隆的多重聚类容易受影响。如果是为了临床报告，克隆分析更多用于评估驱动突变的克隆性（是主干突变还是亚克隆突变），为靶向治疗和耐药监控提供辅助证据。真正系统的克隆建构分析，还是需要WGS数据或者高深度靶向测序数据才靠谱。
5. 临床注释与报告解读：从变异到结论
5.1 注释工具链：VEP/ANNOVAR与数据库选择
变异位点获得后，下一步是功能注释。主流工具是VEP（Variant Effect Predictor）和ANNOVAR。VEP的注释信息比较丰富，会和Ensembl数据库保持同步更新，对剪接区域、调控区域都有比较细的注释；ANNOVAR则更加轻量和灵活，特别是搭配自定义数据库时很方便。两个工具我都跑过之后，目前倾向于VEP作为主注释工具，因为其输出字段标准化程度更好，临床报告导出格式也顺一些。
注释要覆盖的信息维度包括：
- 变异的基本功能影响：错义突变、无义突变、移码等
- 基因信息：涉及的基因名称、转录本ID、外显子序号
- 人群频率：gnomAD等位基因频率（所有人群及所属种族亚群）
- 有害性预测：SIFT、PolyPhen-2、REVEL、CADD评分等
- 已知临床意义：ClinVar中的致病评级、omim中的基因-疾病关联
- 肿瘤特异性信息：COSMIC中的突变计数、OncoKB或Cancer Gene Census中的驱动基因标注
在这些注释里，最容易出问题的是转录本ID的版本漂移。同一个基因不同的转录本，氨基酸改变可能完全不一样，比如一个变异在转录本A中是错义突变，在转录本B中可能位于内含子区域。临床报告里必须写上明确的转录本ID，推荐使用 Consensus Coding Sequence（CCDS）或 MANE Select转录本作为优先参考。
5.2 ACMG分级与肿瘤"意义不明"的处理
家系遗传病变异解读的行业标准是ACMG/AMP指南（2015年版标准结合最新更新）。它把变异按致病性分为五级：致病（Pathogenic）、可能致病（Likely Pathogenic）、意义不明（VUS）、可能良性（Likely Benign）、良性（Benign）。判断的依据是一套证据规则，包括人群频率、功能实验、共分离、计算预测、已发表文献等。
实际做的时候，个别位点的评级会卡在PVS1还是PM2这种边界的判断上。有些情况比较清楚：一个基因的移码变异，人群频率为0，位于已知致病的剪接位点，而且文献里已经报道过，基本就是肯定致病。麻烦的是那些既没有功能实验又没有先例报道的位点，最终落在VUS区间。
肿瘤样本的变异解读逻辑略有不同，核心不是ACMG致病性分级，而是这个突变是否具有临床可操作性（actionable）。肿瘤驱动基因列表常参考OncoKB、Cancer Gene Census，把变异分为可治疗靶点、预后相关、诊断相关等类型。一个删除移码突变如果在TP53上，它和肿瘤的关联很明确，但它不直接指向某个靶向药物。相反，一个EGFR突变如果正好是敏感突变，那就可以作为一线靶向治疗的依据。
还有一个实用的做法：肿瘤和家系分析经常同时发生在同一个样本上（比如先证者本身是肿瘤患者，同时也怀疑存在遗传易感性），这时候需要区分胚系和体细胞突变在同一个位点上的叠加影响。临床上如果发现肿瘤样本中某个关键驱动基因的位点突变，但要确认它是否为胚系来源，就需要回头检查正常组织样本中是否有同样的位点，如果有，再走一遍家系遗传咨询流程。
5.3 报告里的易错点
写临床报告，最容易出错的地方往往不是分析本身，而是转录和表述过程。
第一是转录本和蛋白质编号遗漏。一个位点必须有像"GRCh38 chr17:g.7673802C>A"这样的坐标描述，还要有转录本级别描述（NM_编号:c.序列改变），以及蛋白级别描述（NP_编号:p.氨基酸改变）。三级描述缺一不可。我见过报告里只写蛋白改变、但不写转录本编号的，这种报告在外院复核时几乎没法用。
第二是临床表述的口径统一。家系遗传病报告，要明确写出遗传模式、家系共分离情况、外显率相关信息、以及给遗传咨询的建议。肿瘤报告则要明确写明TMB数值、MSI状态、PD-L1表达情况（如有免疫组化数据），以及这些标志物的适用范围和局限性。
第三是阴性结果表述的艺术。当分析没有找到致病或可能致病变异时，报告不能简单写"未发现"，应该写"在本次测序覆盖范围内未发现与受检者临床表型明确相关的致病/可能致病变异"，后面再补充一段对残余风险的解释。覆盖范围、检测技术的局限性、以及特定区域（如GC富集区、同源区域）无法可靠分析的事实都要如实交代，这是对受检者负责，也是对报告负责。
6. 常见问题与排查技巧实录
6.1 样本与污染问题
Q1：家系分析中，先证者和其中一个母亲的SNP一致性检查出现大量孟德尔错误，怎么处理？
先检查样本标签和实验流程记录，确认是否存在送样或命名混淆。如果样本确认无误，再检查是不是存在样本交叉污染（比如母亲样本混入了其他个体的DNA，可以用Freemix、VerifyBamID等工具评估污染比例）。污染比例超过5%时，单样本的杂合率会异常偏低或偏高，基因型判断不可靠。解决办法是重新提取DNA再测序。
Q2：肿瘤样本交叉污染对体细胞突变检测有什么影响？
交叉污染会稀释肿瘤突变频率，导致低频突变被过滤掉，同时也会引入一些其他个体的胚系多态性，被错误识别为体细胞突变。VerifyBamID可以估算污染率，MutationSeq等工具也可以提供肿瘤污染的参考信息。污染超过10%的肿瘤样本，我一般建议重新制备文库，或者至少在报告里标注出来。
Q3：FFPE样本的测序数据量很大，但为什么变异数很少？
FFPE样本DNA降解严重，片段化程度高，有效测序读段占比低，虽然原始FASTQ数据量看起来很大，但真正能覆盖到目标区域的可用数据可能不足。这种情况建议看好reads的比对率和target区域的重复率，如果是低复杂度导致大量重复读段，需要提高测序量或改用WGS。
6.2 流程参数问题
Q4：GATK HaplotypeCaller在处理高深度WES样本时内存溢出，如何处理？
WES或靶向测序panel深度很高时，HaplotypeCaller每个区域要处理大量reads。最简单的处理方式是调整-XX:ParallelGCThreads和JVM堆内存，或使用--native-pair-hmm-threads降低线程争用。更彻底的办法是限制每个间隔（interval）的覆盖范围，把BED文件拆分成更小的小块，分批并行处理。
Q5：Mutect2过滤后PASS位点还是很多，感觉假阳性偏高，接下来怎么办？
检查panel of normals是否构建得当。很多情况下，参考面板里包含的样本数量太少，或者包含了和当前样本同批次制备的样本（技术偏好被保留下来了），都会导致系统噪声无法被有效吸收。建议参考面板至少使用20个以上无肿瘤的正常样本，覆盖不同的建库批次。另外，检查过滤条件中是否加入了--contamination-table和--tumor-segmentation，这两个参数在跨样本污染评估方面作用明显。
6.3 计算资源优化细节
分析WES数据跑完整流程，通常需要处理几百G的中间文件。建议：
- 中间BAM文件使用CRAM格式（带参考基因组存储比对信息），比BAM节省约50%存储空间。
- 流程结束后清理不需要的中间文件，但保留关键的BAM文件备份至少到报告完成之后。
- 如果你有多个样本要跑，把流程做成队列调度，按核数和内存自动并行。我一般在32核机器上同时跑4-6个WES样本，总体跑得比串行快很多。
- 变异检测阶段是CPU密集型，比对阶段是IO密集型，合理错峰运行能显著提高整体效率。
最后再分享一个经验：临床分析的流程和参数，一旦定下来验证过，就不要轻易改。每次工具升级、数据库更新，都要先在一个已知的验证样本集上回归测试一遍，确认分析结果不产生颠覆性差异再全面上线。这个习惯保证了我多次流程升级时都没有出现过报告结果前后矛盾的情况。如果有条件，尽量把样本的突变特征图谱留档，哪怕是最简单的VCF和注释结果，在将来复核时都会帮上大忙。
