2026年9月21日，哈尔滨工业大学汪国华教授、姜涛教授团队的一项研究成果在线发表于国际期刊《自然·方法》。研究团队开发了名为SVPG的新方法，能够利用长读长测序数据开展结构变异检测，并加快泛基因组图谱的扩展更新，为相关基因组研究提供了新的技术思路。
结构变异是指基因组DNA序列发生较大规模的变化，通常涉及50个碱基以上的插入、缺失、倒位及易位等类型。这类变异与遗传性疾病、癌症以及多种复杂疾病的发生发展存在密切联系，因此，如何准确识别结构变异，一直是基因组学研究中的重要课题。
传统结构变异检测方法通常先将测序片段与线性参考基因组进行比对，再根据序列差异判断是否存在变异。然而，当待测样本与参考基因组之间存在较大差异时，部分序列可能难以准确匹配，从而影响检测效果。泛基因组图谱通过整合多个个体的基因组信息，以图结构呈现不同个体之间共有的序列及其差异，为识别复杂变异提供了更丰富的参考依据。但与此同时，序列与图结构之间的比对也增加了算法的计算难度。
针对上述问题，研究团队提出SVPG方法，通过渐进式“字符串—图”比对策略，兼顾已知结构变异识别和新变异发现。据介绍，该方法设置了两种分析模式：一种结合常规线性比对结果，将可能携带结构变异信号的片段进一步映射到泛基因组图谱中，以判断样本是否存在已知变异；另一种则不依赖线性参考基因组，直接利用序列与泛基因组图的比对结果，寻找尚未被图谱收录的结构变异。
在性能测试中，研究人员将SVPG与cuteSV、Sniffles2、SVIM等常用结构变异检测工具进行了比较。结果显示，在复杂基因组区域、低测序覆盖度、罕见结构变异以及肿瘤样本等测试场景中，SVPG展现出较好的识别能力，准确率提升约4%至12%。研究还指出，该方法在不同测序技术和覆盖度条件下均保持了较好的整体表现。
除结构变异检测外，SVPG还可用于泛基因组图谱的快速扩展。研究团队选取20例新样本开展测试，结果显示，利用SVPG生成的增强图谱与传统组装方法构建的泛基因组图谱一致性达到98%，整个过程耗时约0.5天，效率较传统方式提升约10倍。这意味着，研究人员有望在分析新样本的同时，将新增的基因组信息更快纳入现有图谱，减少图谱更新所需的时间。
从应用前景来看，SVPG将结构变异检测与泛基因组图谱更新结合起来，为构建能够持续扩展的基因组参考资源提供了新的技术路径。未来，该方法有望为罕见病研究、癌症精准医学和大规模群体遗传学分析提供支持。
需要注意的是，目前公布的性能数据主要来自论文中的基准测试，其在不同人群队列及实际临床诊断场景中的适用性仍需进一步验证。随着相关算法持续优化，SVPG能否在更大规模的数据分析中发挥优势，仍值得后续研究关注。