那些基因组上的二代测序盲区

人类基因组36bp唯一比对区域大约只占了人基因组大小的71%，因为二代测序短读长的特性，很多非唯一比对区域的特异性不是很好，在这些区域内的变异，不论是点突变还是CNV/SV，其可靠性都不是很高。Encode有一个project，对基因组上的 各种不同长度序列的比对唯一性做了评估。大家可参考下这篇博客（ https://davetang.org/muse/2013/07/08/encode-mappability/ ）。

即使是唯一比对区域，在GC异常区域，文库构建阶段在这些区域会有偏好性。因为二代测序基本全是基于PCR的测序技术，这些区域本身测序的质量也会差，比对率会降低。在call CNV的时候尤其需要考虑GC校正。

本人总结了如下一些Genomic blacklist region，github上也有一个关于这个的开源项目（ https://github.com/Boyle-Lab/Blacklist ）。

1. 重复序列区域
2. GC异常（高GC和低GC含量）区域
3. 端粒和中心体区域
4. 假基因/高度同源基因
5. lower mappability score region

在这些区域，想干这些事情，简直是噩梦

1. Primer design
2. Probe sequence design for target capture sequencing
3. aCGH Probe
4. SNParray Probe

本人分析了一款SNParray的探针密度分布，发现在chr13、chr14、chr15、chr21（少量探针）、chr22的p端基本没有探针覆盖，这是因为这些区域绝大多数是高度重复区。

对于WES的CNV分析，本人最近计算了常规的几个WES的靶向区域的平均unique mappability score，并对（做了GC校正后）分析出来的基因组上的log2Ratio的分布做了可视化，将低unique mappability score的region标成了蓝色，而高unique mappability score的标成橙色，这样我们一眼就可能评估我们WES call出来的CNV的可靠性，减少假阳性困扰。