医学研究中管理和分析大规模基因组数据的最佳实践

发布日期：2026年6月20日|最后更新日期：2026年8月10日

如今，一次全基因组测序产生的原始序列数量就超过了整个人类基因组计划历经十三年收集的数据量，而正是如此庞大的数据量，使得大规模基因组数据成为医学研究团队撰写论文的真正瓶颈。千人基因组计划重建了来自26个不同人群的2,504名个体的基因组，但即便如此，也仅仅编录了一组常见的变异参考集，总计约8800万个变异，其中包括8470万个单核苷酸多态性、360万个短插入缺失和6万个结构变异（Auton等人，2015）。如果将这一规模乘以一个拥有百万参与者的现代生物样本库，那么研究团队在提​​交论文前所做的存储、质量控制和数据共享决策，将直接影响审稿人是否信任研究结果。

基因组医学已从小型候选基因研究发展到群体规模测序，弗朗西斯·柯林斯和哈罗德·瓦姆斯在2015年提出的国家精准医疗计划提案中阐述了这一转变，该计划旨在建立基于大规模基因组、环境和生活方式数据链接的国家精准医疗计划（Collins & Varmus, 2015）。如今，从原始测序输出到可提交的数据集，能否正确链接这些数据，取决于文件格式、存储架构、质量控制、去标识化和存储库政策等方面的决策，而这些正是大多数接受过湿实验室训练的研究人员在研究生阶段从未接触过的。以下将详细介绍如何确保基因组数据集从生成到发表的整个过程中都可用、可审计且符合资助方政策。

关键精华

• 千人基因组计划对来自 26 个群体的 2,504 个个体进行了测序，记录了大约 8800 万个变异，作为人类遗传变异的参考（Auton 等人，2015）。
• “我们所有人”研究计划的首次重大基因组发布涵盖了 245,388 个临床级基因组序列，并识别出超过 1 亿个遗传变异，其中超过 275 亿个是以前未报告过的（Bick 等人，2024）。
• 标准化的文件格式，例如用于原始读取数据的 FASTQ 格式、用于比对的 BAM 或 CRAM 格式以及用于变异检测的 VCF 格式，确保测序数据在不同流程和机构间通用。
• 基因组数据无法真正匿名化，只能去标识化和访问控制，因为序列本身具有识别性，可能会牵连从未同意的亲属。
• 美国国立卫生研究院（NIH）的基因组数据共享政策要求其资助的大规模人类基因组研究在dbGaP数据库中注册，并提交数据使用证明以及数据本身。

如今医学研究中何为大规模基因组数据

目前，医学研究人员提交论文时，大部分基因组数据来自三种测序方式。全基因组测序几乎读取了整个3.2亿个碱基对的人类基因组，通常每个个体相对于参考基因组可检测到300万至500万个变异。全外显子组测序则将读取范围限制在基因组中约1%至2%的蛋白质编码区域，从而降低了成本和文件大小，同时仍能检测到每个样本2万至3万个变异。RNA测序测量的是基因表达而非直接DNA序列，通常每个样本文库可产生数千万条短读序列。

大规模人群研究项目展现了“大规模”在实践中如今的含义。“我们所有人研究计划”（All of Us Research Program）在其首次大规模基因组数据发布中，公布了245,388名参与者的临床级基因组序列，其中77%的参与者来自生物医学研究中历来代表性不足的群体，46%来自代表性不足的种族和族裔群体。该计划在该队列中识别出超过1亿个基因变异，其中包括超过275亿个此前从未报道过的变异和3.9万个具有编码效应的变异（Bick等人，2024）。如此规模的数据集无法像十年前管理单个实验室的候选基因研究那样进行管理，基因组学相关期刊的审稿人也越来越希望作者在方法部分描述其研究流程，而不仅仅是在结果部分展示研究发现。研究人员对如此规模的队列进行全基因组关联研究，以及想要了解该流程统计方面的读者，可以在我们的基因组学统计方法指南中找到更全面的介绍，该指南涵盖了从 GWAS 到基因表达分析的内容。

用于标准化大规模测序数据的文件格式

测序仪的原始输出数据，除非遵循一套特定的共享文件格式，否则对于实验室以外的任何人来说几乎毫无用处。FASTQ 格式直接存储测序仪输出的原始碱基序列和每个碱基的质量评分。比对工具将这些读段比对到参考基因组，并将结果写入 SAM 格式或其压缩二进制等效格式 BAM。CRAM 格式通过引用基因组序列本身而非存储两个碱基来进一步压缩相同的比对数据，在正确配置的情况下，对于典型的全基因组数据，与 BAM 格式相比，存储成本大约降低 30% 到 60%，且不会丢失临床相关信息。变异调用格式 (VCF) 则记录样本与参考基因组存在差异的具体位置，以及基因型调用和质量指标，自最初的千人基因组计划发布以来，它一直是公共变异目录的基础共享格式（Auton 等，2015）。

始终如一地采用这些格式比追求最快的比对工具更为重要。如果一篇论文在报告变异时没有明确说明参考基因组版本、变异检测工具及其版本，以及应用的质量过滤条件，那么审稿人和后续用户将无法复现结果，也无法将其与其他数据集合并。我们的团队在基因组数据分析的高级生物统计学方法中经常发现这种缺失，因此，在论文撰写过程中，应该将其作为一项检查清单项目，而不是事后才考虑。

大规模基因组数据存储和计算的最佳实践

一旦项目规模超过几个基因组，本地存储大型测序队列的数据很快就会变得不切实际，因为一个30倍覆盖率的FASTQ格式全基因组未压缩文件大小就高达90到120GB。云平台和共享高性能计算平台已成为默认解决方案。诸如英国生物银行研究分析平台、AnVIL、Terra和DNAnexus等分析就绪型平台，无需每个合作机构下载完整副本，即可将数据存储在本地并提供计算资源。这也简化了合规性流程，因为原始的受控访问文件始终在受监管的环境中运行。

分布式计算框架将同样的逻辑延伸到了分析步骤本身。基于 Apache Spark 构建的 Sparkhit 将基因组数据处理任务（例如读取比对和 k-mer 计数）分布到整个计算集群中，并在真实测序数据集上与成熟的单节点工具进行了基准测试，结果表明，对于大型宏基因组和基因组工作负载，Sparkhit 的运行时间显著缩短，同时仍与标准文件格式兼容（Huang、Krüger 和 Sczyrba，2018）。分析英国生物银行全基因组测序数据的研究人员也采用了类似的云原生策略，直接在平台的云基础设施上运行冠状动脉疾病风险位点的精细定位和机器学习变异分类，而不是将数百 TB 的测序数据导出到本地集群（Sng 等人，2025）。如需更全面地了解这些流程背后的基础设施选择，请参阅我们的大数据分析研究指南。

测序成本的下降使得这种规模的测序成为常态而非例外。美国国家人类基因组研究所估计，如果使用2003年人类基因组计划完成时的技术来生成第二个人类参考基因组，成本约为50万美元。到2015年底，这一数字已降至每个基因组1,500美元以下，并且随着测序平台向高通量短读长测序技术的过渡，成本持续下降（NHGRI，2021）。正是由于这种趋势，如今一项研究可以招募数千名参与者进行全基因组测序，而过去只能负担得起几十名参与者。

提交基因组结果前的质量控制和验证

测序深度和碱基识别准确率决定了一项研究能够对基因组得出的所有可信结论的上限，因此质量控制必须在变异解读之前进行，而不是之后。美国和加拿大的临床基因组学实验室联盟——医学基因组计划（Medical Genome Initiative）发布了共识性建议，涵盖了针对疑似生殖系疾病的临床全基因组测序的检测验证、参考标准选择和性能指标，弥补了该组织在先前主要关注靶向基因panel和外显子组测序的指南中发现的不足（Marshall等人，2021）。

从临床验证工作中借鉴的一个有益方法是将变异检测视为一个多阶段流程，而非单一步骤。读取比对质量、碱基质量评分、目标区域的覆盖均匀性以及与正交方法（例如Sanger测序）的一致性等候选结果都需要检查和报告，而不是想当然地认为结果都正确。All of Us研究项目自身的基因组质量控制流程（该流程支持了245,388个临床级序列的发布）在所有数据集交付给研究人员之前，都对整个队列进行了联合变异检测，并与参考材料进行了标准化的一致性检查（Bick等人，2024）。即使是只有几百名参与者的单中心研究，也值得借鉴这种规模的质量保证方法。

通过电子健康记录关联基因型和表型

基因组数据只有与表型关联起来才能发挥其临床和科学价值，而电子病历和基因组学网络（eMERGE Network）构建的模板至今仍被大多数大型关联项目所沿用。eMERGE Network由美国国家人类基因组研究所于2007年开始组建，它将来自美国多家医疗中心的DNA生物样本库与电子健康记录数据相结合。到第二个资助周期时，该网络已证明，基于电子健康记录的表型数据能够跨独立站点复制已知的基因型-表型关联，同时还能支持单站点注册库无法独立完成的探索性研究（Gottesman等人，2013）。

三个实用习惯使得这种链接方式在论文中得以应用。表型定义需要版本控制的算法标准，而非自由文本图表审查，以便其他机构可以将相同的定义应用于自身的记录。基因组和临床标识符需要一个安全的交叉映射，既能防止直接标识符泄露到工作分析数据集中，又能允许授权的重新链接以进行数据清理或验证查询。知情同意书的措辞需要明确涵盖特定研究链接的二次使用，因为针对单一疾病领域撰写的生物样本库知情同意书并不会自动适用于多年后更广泛的电子健康记录-基因组学链接。

为什么基因组数据无法像其他健康记录那样进行匿名化处理

通常情况下，从电子表格中删除姓名和病历号足以对普通临床数据进行去标识化，但基因组更像是指纹而非电子表格，同样的技巧并不适用。原始基因序列本身就具有识别性，因为它对每个人而言都是独一无二的（同卵双胞胎除外），并且理论上，只要拥有参考数据库，就可以通过亲缘关系搜索等技术将其与特定个体匹配，调查人员也曾利用这种方法，通过远亲的消费者DNA检测结果来识别法医悬案中的嫌疑人。从VCF文件中移除参与者的姓名并不能消除这种风险，因为变异本身就包含足够的信息来重新识别其来源个体。

日本的研究人员专门研究了人们对这一问题的态度，他们的研究结果发现，这种担忧不仅限于个体参与者。Takashima及其同事与通过日本研究机构招募的癌症患者和健康志愿者合作，发现参与者往往更担心血亲的隐私问题，因为他们共享重叠的基因信息，但从未同意过任何相关事宜，而不是担心自身信息泄露的风险。Takashima团队建议，知情同意和数据共享政策应明确解决这种家庭层面的风险，而不是将基因组知情同意视为纯粹的个人决定（Takashima et al., 2018）。家庭层面的风险是所有主要资助机构现在默认要求对个人基因组数据进行受控访问而非公开、去标识化发布的重要原因之一。我们的数据匿名化技术指南（用于保护参与者隐私）对非基因组数据集的这一区别进行了更深入的探讨。

受控访问存储库和美国国立卫生研究院基因组数据共享政策

美国国立卫生研究院 (NIH) 的基因组数据共享政策要求，其资助的任何大规模人类基因组研究都必须在基因型和表型数据库 (dbGaP) 中注册，并提交基础数据和数据使用证明，详细说明该数据集的批准研究用途。NIH 于 2025 年 8 月最后一次更新了该政策页面，该政策仍然以 dbGaP 为中心的受控访问模式为基础。个体层面的基因型和序列数据需经数据访问委员会审核，而汇总的基因组摘要结果通常以较少的限制发布，以便其他研究人员在申请受控访问之前评估数据集是否与其自身研究相关。

该政策的实施历史足以证明其在实践中的实际效果。对早期 GWAS 数据共享政策（即现行 GDS 政策的直接前身）的分析发现，dbGaP 在最初几年内就向超过 2,200 位研究人员提供了受控基因组数据集的访问权限，这表明受控访问模式能够满足实际的二次利用需求，而不仅仅是将数据锁定起来（Paltoo 等，2014）。dbGaP 的数据浏览器后来增加了对变异级别摘要信息的只读访问权限，无需提交完整的数据访问申请，从而降低了研究人员的门槛，他们只需在完成完整申请流程之前检查数据集是否包含感兴趣的变异即可（Wong 等，2017）。

在美国以外，类似的受控访问逻辑支撑着欧洲基因组-表型档案库（EGPA）以及基于全球基因组与健康联盟（GAGH）Beacon协议构建的国家框架。该协议允许研究人员在无需下载甚至查看底层基因型数据的情况下，查询特定变异是否存在于联合数据集网络中。葡萄牙的国家Beacon实施方案旨在与欧洲“百万基因组计划”（European 1+ Million Genomes initiative）互操作，它体现了当前的做法：公开足够的元数据以使数据集可被发现，同时将个体层面的基因型信息保留在正式的访问请求之后。这种设计旨在平衡变异发现与变异层面查询带来的重新识别风险（Oliveira et al., 2026）。

在基因组基础设施欠发达的地区，开放与保护之间的这种张力呈现出不同的面貌。协调非洲H3Africa联盟的研究人员指出，当地测序能力、传输大型测序文件的带宽以及伙伴国家间统一的伦理审查方面存在持续的差距，他们认为，以资源充足的数据库为蓝本的数据共享政策，可能会无意中使全球基因组计划旨在涵盖的人群处于不利地位（Mulder等人，2017）。

当稿件依赖于基因组数据时，作者应该报告哪些内容

与基因组学相关的期刊的审稿人越来越多地以与生物学发现本身无关的缺陷为由拒稿或退回稿件。方法部分需要明确列出参考基因组版本、比对器和变异检测工具及其版本号、应用于变异检测的质量过滤条件，以及原始数据或处理后数据的存储库及其登录号。数据可用性声明需要明确说明数据访问是开放的还是受控的，如果是受控的，则需要说明由哪个委员会审核请求以及审核的大致时间，因为编辑越来越多地要求作者在接收稿件前确认数据不仅对读者可用，而且对审稿人也可用。

基因组学论文中反复出现的常见错误包括：方法部分和补充表格中引用的参考基因组版本不一致；即使同一工具的不同版本可以从相同的原始读取数据中检测到不同的变异，也省略了变异检测工具的版本；以及将基因组数据集描述为匿名化数据集，而实际上它只是去标识化和访问控制，而非真正意义上的匿名化。这些错误在投稿前都很容易修正，而且及早发现远比在数月的同行评审后回答审稿人的方法学异议要划算得多。我们论文写作团队的编辑会在投稿前审查阶段就指出这类错误，远早于基因组学方法部分提交给期刊编辑。

大规模基因组数据管理的未来发展方向

联合分析正在取代集中式数据传输，成为多站点基因组研究的默认模型。越来越多的联盟不再在机构之间传输原始测序文件，而是将分析查询发送到数据所在的位置。GA4GH Beacon v2 规范正式化了这种方法，它规范了如何将对特定变异、样本或表型组合的请求发送到远程数据集并由远程数据集进行响应，而无需暴露个体层面的记录（Oliveira 等人，2026）。

机器学习也在改变变异解读中哪些环节仍需人工参与。对英国生物银行全基因组测序数据的比较研究发现，机器学习分类器在精确定位疾病相关基因座中最可能的致病变异方面，可以达到甚至超越传统的精细定位工具，同时仍然需要与其他变异检测流程相同的溯源追踪、版本控制和正交验证，才能确保结果的可靠性（Sng et al., 2025）。基于已发表的全基因组关联研究汇总统计数据构建的双样本设计也越来越多地直接应用于因果推断方法，我们的孟德尔随机化指南将逐步介绍这一应用。

这一切都不会改变研究团队所需的基本规范。更大规模的队列和更快的分类器仍然依赖于标准化的文件格式、完善的质量控制记录、可靠的去标识化策略以及审稿人可以实际查阅的存储库。随着论文所附基因组数据集的平均规模不断增长，这些做法的重要性只会与日俱增。

结语

大规模基因组数据奖励那些将数据管理视为科学研究的一部分而非事后行政工作的科研团队。基于标准化文件格式、完善的质量控制记录、切实可行的去标识化策略以及合规的存储库构建的数据集，能够更快地通过同行评审，并在原始论文发表数年后仍可供其他研究人员使用。本指南中引用的项目，从最初的“千人基因组计划”到“我们所有人研究计划”发布的超过24.5万个基因组，都表明相同的核心实践可以从单中心试点研究扩展到拥有百万参与者的全国性队列研究（Auton等人，2015；Bick等人，2024）。尽早打好基础仍然是确保基因组学发现能够经受住审稿人、重复验证以及在原始研究团队离开后仍能被其他研究人员重复使用的最可靠方法。

常見問題解答

我应该使用哪种文件格式在我的论文中分享基因组变异数据？

以变​​异调用格式 (VCF) 提交变异级别数据，并指定参考基因组版本以及用于生成该数据的调用程序和版本，因为针对不同的参考版本解释同一个 VCF 文件可能会得出不同的、具有临床意义的结果。

去标识化的基因组数据与匿名化数据相同吗？

不。从基因序列文件中移除姓名会降低可识别性，但并不能完全消除，因为通过亲缘关系搜索等技术，可以将变异本身与个人或其亲属匹配起来。这就是为什么资助机构要求对个人基因组数据进行受控访问，而不是公开发布。

我是否需要为每一项基因组研究在dbGaP中注册？

美国国立卫生研究院 (NIH) 的基因组数据共享政策专门适用于其资助的大规模人类基因组研究，这些研究需要在 dbGaP 系统中注册，并提交数据和数据使用证明。在假定规模较小的试点研究可以豁免之前，请务必在 NIH 科学政策办公室网站上查看该政策的最新适用范围。

对于相同的测序数据，CRAM 文件比 BAM 文件小多少？

对于相同的全基因组比对数据，CRAM 通常比 BAM 减少大约 30% 到 60% 的存储空间，因为它引用基因组序列本身，而不是存储每个碱基两次，尽管具体的节省取决于测序深度和所使用的压缩设置。

基因组学论文因数据报告问题而被退回修改的最常见原因是什么？

方法学细节缺失或不一致是最常见的原因，通常包括未指定参考基因组版本、未报告变异检测软件版本，或者数据可用性声明未说明访问权限是开放的还是受控的。这三点在提交前都很容易修正，但在审稿人指出后修正起来则比较耗时。

在研究中，机器学习能否取代人工变异筛选？

不完全如此。对英国生物银行全基因组测序数据的比较研究发现，机器学习分类器在标记最可能的致病变异方面可以与传统的精细定位方法相媲美甚至超越，但其底层流程仍然需要与任何变异检出结果在发表前相同的质量控制、版本跟踪和正交验证。

案例

1. Auton A、Brooks LD、Durbin RM 等。人类遗传变异的全球参考。 自然. 2015;526(7571):68-74. doi: 10.1038 / nature15393
2. Collins FS, Varmus H. 精准医疗新举措。 新英格兰医学杂志. 2015;372(9):793-795. doi: 10.1056/NEJMp1500523
3. Gottesman O、Kuivaniemi H、Tromp G 等。电子病历和基因组学 (eMERGE) 网络：过去、现在和未来。 基因医学. 2013;15(10):761-771. doi: 10.1038/gim.2013.72
4. Bick AG、Metcalf GA、Mayo KR 等。“我们所有人”研究计划中的基因组数据。 自然. 2024;627(8003):340-346. doi: 10.1038 / s41586-023-06957-X
5. Marshall CR、Chowdhury S、Taft RJ 等。用于诊断生殖细胞疾病的临床全基因组测序分析验证的最佳实践。 NPJ 基因组医学. 2021；5:47。doi： 10.1038/s41525-020-00154-9
6. Paltoo DN、Rodriguez LL、Feolo M 等。NIH GWAS 数据共享政策下的数据使用及未来方向。 纳特遗传学. 2014;46(9):934-938. doi: 10.1038/ng.3062
7. Wong KM、Langlais K、Tobias GS 等。dbGaP 数据浏览器：浏览 dbGaP 受控访问基因组数据的新工具。 核酸Res. 2017;45(D1):D819-D826. doi: 10.1093/nar/gkw1139
8. Mulder N、Adebamowo CA、Adebamowo SN 等。基因组研究数据的生成、分析和共享——非洲环境面临的挑战。 数据科学杂志。 2017;16。土井： 10.5334/dsj-2017-049
9. Takashima K, Maru Y, Mori S, Mano H, Noda T, Muto K. 共享包括患者家庭成员在内的基因组数据的伦理问题。 BMC医学伦理学. 2018;19(1)。 道： 10.1186/s12910-018-0310-5
10. Huang L、Krüger J、Sczyrba A. 使用 Sparkhit 在云端分析大规模基因组数据。 生物信息学. 2018;34(9):1457-1465. doi: 10.1093/生物信息学/btx808
11. Sng LMF、Kaphle A、O'Brien MJ 等。优化英国生物银行基于云的研究分析平台，以在全基因组测序数据中精细定位冠状动脉疾病位点。 Sci Rep。 2025;15。土井： 10.1038/s41598-025-95286-2
12. Oliveira JS、Sant'Ana S、Santos M、Faria D。葡萄牙灯塔：安全共享基因组变异数据。 数据库（牛津）。 2026;2026。土井： 10.1093/数据库/baag012
13. 美国国家人类基因组研究所。《人类基因组测序的成本》。2021年更新。 genome.gov
14. 美国国立卫生研究院科学政策办公室。《NIH基因组数据共享政策》。2025年8月更新。 grants.nih.gov