Nat Methods | 罗锐邦团队开发基于深度学习的癌症长读长体细胞小变异检测方法ClairS

在肿瘤基因组分析中，一个核心任务是比较肿瘤组织和配对正常组织的测序数据，找出只存在于肿瘤中的新发突变，即体细胞突变（somatic mutations），主要包括单核苷酸变异（SNV）和插入缺失变异（Indel）。这些突变是理解肿瘤发生、演化以及开展癌症治疗的重要基础。难点在于，肿瘤测序数据中不仅有真正的体细胞突变，还混有肿瘤和正常组织共有的胚系变异以及测序误差产生的假信号，因此准确区分这三类信号至关重要。

癌症体细胞突变检测过去主要依赖短读长测序数据，Mutect2、Strelka2 等工具已经在肿瘤—正常配对样本分析中较为成熟。然而，这些方法大多是围绕短读长数据设计的，难以充分利用长读长测序在重复序列、难比对区域和单倍型分相方面的优势。随着 PacBio和ONT等长读长测序技术逐渐成熟，如何在长读长数据中准确区分真实体细胞突变、胚系变异和测序假信号，成为肿瘤基因组分析中亟需解决的新问题。此外，不同癌种、测序平台和测序化学版本会产生不同的突变谱和误差模式，使模型训练更加困难。单一来源的真实肿瘤样本很难覆盖所有应用场景，因此长读长体细胞突变检测需要一种更灵活、可扩展的训练和建模策略。

2026年7月1日，香港大学计算与数据科学学院罗锐邦团队在 Nature Methods 上发表了题为ClairS: a deep-learning method for long-read tumor-normal pair somatic small variant calling的研究论文，提出了长读长体细胞小变异检测新方法 ClairS。ClairS 主要面向 ONT 长读长数据设计，同时也在 PacBio 和 Illumina 数据上完成了系统评估。

ClairS 的核心突破在于解决长读长体细胞小变异检测中最关键的训练数据问题。与胚系变异不同，可用于癌症模型训练的高质量真实标准数据非常有限，现有标准癌症样本通常只有几万个 SNV 和数千个 Indel，难以支撑深度学习模型充分训练。为此，团队换了一个思路：完全依赖合成数据训练模型。利用已知胚系变异的 GIAB 正常人样本，将不同样本的测序数据按比例混合，构建模拟的肿瘤—正常配对数据，从而覆盖不同肿瘤纯度、测序深度和正常样本污染水平。通过这一流程，ClairS 可以生成超过千万个体细胞变异训练样本，覆盖不同基因组位点、测序深度和肿瘤纯度，用于学习区分真正的体细胞突变、胚系变异和测序假信号，训练规模远超真实癌症数据所能提供的水平。

图 1. 合成肿瘤-正常样本对的生成流程

在变异检测流程上，ClairS 并不是简单把胚系变异检测工具直接用于肿瘤样本，而是建立了面向肿瘤—正常配对数据的专门流程。它首先分别处理肿瘤和正常样本，并结合单倍型分相信息；随后将候选位点周围的读段证据输入两个神经网络，学习区分体细胞变异、胚系变异和技术噪声；最后再利用单倍型支持证据过滤缺乏可靠支持的假阳性候选。这一设计使 ClairS 能够更充分利用长读长测序在分相和复杂区域比对上的优势。

图 2. ClairS 体细胞变异检测的完整流程

性能评估显示，ClairS 在 ONT 长读长数据上能够稳定应对不同测序深度和肿瘤纯度的样本，整体表现明显优于直接套用胚系变异检测工具的做法。进一步分析表明，长读长测序提供的单倍型分相信息尤其有助于低比例体细胞突变检测；去除分相信息后，模型整体性能会下降。这说明，ClairS 的优势不仅来自深度学习模型本身，也来自其对长读长数据特征的专门建模。

在真实癌症细胞系数据上，研究团队进一步验证了“合成数据预训练—真实数据微调”的有效性。结果显示，经过真实数据增强训练的 ClairS SSRS 优于仅用真实数据从头训练的模型，也在多数真实肿瘤—正常细胞系和测序条件下优于 DeepSomatic。这说明合成数据预训练的价值并不会因为真实数据的出现而被替代，即便有真实癌症数据可用，先做合成数据预训练、再做微调，效果依然优于只用真实癌症数据训练。除 ONT 数据外，ClairS 在 Illumina 短读长数据上也表现出很强竞争力，并优于多款主流短读长体细胞变异检测工具。整体来看，这些结果说明 ClairS 的训练策略具有较好的跨平台适应性，也证明合成数据预训练可以有效弥补真实癌症训练数据不足的问题。

总的而言，ClairS 采用先合成数据预训练、再真实数据微调的两阶段方案，在不依赖大规模真实肿瘤数据的前提下，实现了对长读长肿瘤—正常配对样本中体细胞小变异的准确检测，并在 ONT、PacBio、Illumina 多个测序平台上得到了验证。目前，ClairS 已经作为体细胞小变异检测工具，集成进了ONT官方的体细胞变异检测工作流。整体而言，这项研究不仅推动了更准确、更全面的癌症基因组分析，也展示了在真实临床数据有限时训练医疗人工智能模型的可扩展方法，为长读长临床基因组学的未来发展奠定了重要基础。

原文链接

https://www.nature.com/articles/s41592-026-03152-4

制版人：十一

学术合作组织

（*排名不分先后）