本文共 1365 字，大约阅读时间需要 4 分钟。

发现ATAC-seq数据中的单核苷变异及插入引入脱配

近年来，ATAC-seq作为一个高效且成本低廉的遗传多态性发现工具，逐渐成为研究基因多态性的重要手段。然而，尽管其在单细胞分析中的潜力巨大，但对于其在SNV和Indel检测中的表现，目前仍未有系统性的评估。基于这一背景，本研究旨在通过对现有7种变异调用器工具的评估，探索其在批量和单细胞ATAC-seq数据中的检测效果，并基于此开发出一套具有集成优势的新工具VarCA。

方法与工具

本研究的核心工作内容包括以下两部分：

结果

变异检测工具的表现

通过对工具在不同数据集上的性能评估，我们发现：

• SNV检测：GATK、VarScan2、VarDict表现优异，其精度和召回率均达到或超过0.95。
• Indels检测：GATK、VarScan2、Menta等工具表现较好，精度和召回率在0.8-0.93水平。

VarCA工具的表现

VarCA整合了多种变异检测工具的输出结果，分别在批量和单细胞ATAC-seq数据中测试其性能：

• 批量ATAC-seq：
  • SNV：精确率0.99，召回率0.95
  • Indels：精确率0.93，召回率0.80
• 单细胞ATAC-seq：
  • SNV：精确率0.98，召回率0.94
  • Indels：精确率0.82，召回率0.82

VarCA的整体表现显著优于单一工具，其重新校准的质量评分体系能够有效过滤高信赖度变异。此外，VarCA还可以在单细胞ATAC-seq数据中识别仅存在于部分细胞中的体细胞突变。

VarCA的局限性

目前VarCA存在以下不足之处：

操作步骤

数据处理流程

VarCA工具简介

VarCA是一个集成型变异预测工具，功能包括：

• 准备子工作流程：根据输入数据自动生成适配的分析配置。
• 运行多种变异调用器：同时对ATAC-seq数据进行变异预测。
• 结果整合：将各工具输出结果聚合到一个统一的VCF格式文件中。
• 分类子工作流程：
  • 基于准备好的子工作流程配置文件，预测ATAC-seq峰值区域内的变异。 -输出新的VCF文件 containing the predictions.

本研究通过系统评估现有变异检测工具的性能，不仅为ATAC-seq数据中遗传变异的发现提供了全新的方法选择，还开发出了一款综合性能优秀的VarCA工具。这一成果为后续AtAC-seq研究提供了更高效的工具支持，同时也为单细胞数据中的亚细胞变异分析开辟了新的可能。