人类基因组包括22条常染色体（1-22），2条性染色体（X，Y）和线粒体DNA（mtDNA）。高通量测序的reads比对至参考基因组是后续数据分析的基础。因此，参考基因组的质量是至关重要的。目前，广泛使用的版本是GRCH37和GRCH38。2009年，the Genome Reference Consortium (GRC)发布了第19版人类基因组GRCH37，也常被称为hg19。GRCH37被广泛应用于数据分析。2013年，GRC发布了GRCH38。但由于注释工具、数据库的不健全及升级基因组工作繁杂，时至今日，GRCH37仍被相当程度地使用。

根据GRC的官方文件，GRCH38是最精确的人类基因组。GRCH38基于金标准Sanger测序组装，读长约为1000bp，精确度是高通量测序的10倍。与GRCH37相比，GRCH38替换了8000个等位基因位点，校正了数个组装错误的基因组区域，补全了gap，添加了着丝粒序列，在178个区域组装了261条alternate loci，丰富了基因组的多样性。

已发表的论文认为GRCH38是GRCH37的重大升级，可提供更精确的生物信息学和基因组学分析。我们设计了实验量化基于GRCH38和GRCH37的数据分析差异。

结果

不算线粒体DNA，GRCH37 和GRCH38分别有3095677412和3088269832个核苷酸。最常用的线粒体基因组是1999年剑桥发布的rCRS，因此两者线粒体基因组是一样的。在基因组fasta文件中，’N’表示gap或者未注释区域，GRCH37共有234350281个‘N’，而GRCH38中有150630719个，减少了83719562个，占比35.7%。从表1中看出，每条染色体上的‘N’数量都有减少。有文献研究表明GC含量影响Illumina测序深度及测序均一性，这与后续的CNV检测密切相关。GC位点的总数从GRCH37的1170371008增加到GRCH38的1200551672，共计增加了30180664个核苷酸。

外显子可以编码氨基酸，是人类基因组最重要的组成部分。从Ensembl (GRCh37 v37.75, GRCh38 v38.82)下载最新的Gene Feature Format (GTF)文件统计外显子区域。外显子区域由GRCH37的75231228个核苷酸增加到GRCH38的95505476个，约有26.9%的增幅。从全基因组水平看，外显子占比由2.43%增至3.09%。外显子区域扩大的主要原因有3个：i.在GRCH38中，外显子的总数从327058个增加到457748个；ii.每个基因的外显子数从13个增加到19个；iii.每个外显子核苷酸的中位数从140增加到146。

我们分别用GRCH38和GRCH37分析了30个WES样本，然后从染色体统计、比对、SNV、indel、CNV和SV等多个维度比较了分析结果差异。

比对是高通量测序数据分析中非常重要的一步。总有部分reads无法比对至参考基因组，有论文指出改进基因组可以提高比对率。从图2看出，30个WES样本的比对率都得到了提高，提高均值为0.0017%。外显子区域的比对率明显提高，约为3.22%，主要原因是外显子区域扩大，相应地内含子的比对率降低了2.70%。

使用GRCH37时，检测到4656461个SNV，GRCH38时只有4617859个。这表明，改进后的GRCH38产生更少的假阳性SNVs。非同义变异是我们关注的重点，虽SNV总数变少，但GRCH38比GRCH37多了22622个非同义变异，主要原因是外显子区域增加。使用LiftOver 转化参考基因基因组坐标后显示，两种基因组中93%SNV和88%indel是一致的，且质量值和覆盖度并无差异。

GRCH37检测到3702个CNV，GRCH38检测到3732个。其中，88.4%CNV是一致的。两种基因组都检测到了更多的重复片段。使用GRCH37，我们检测到了371558个结构变异，GRCH38检测到了271825个结构变异。83%的结构变异同时在两个基因组中检测到。结构变异检测难度大，且有较高的假阳性率。分析结果显示，GRCH38中结构变异数少得多（少26.8%）。虽然我们没有金标准来计算真阳性率和真阴性率，但变异数量减少预示着假阳性率降低。

结论

重组人类基因组是一项费时又费力的任务，截止2018，人类基因组已经发布了20个版本。GRCH38中一个重要的技术进步是葡萄胎的应用。葡萄胎没有从卵子获得染色体，精子的染色体发生了复制，因此没有等位基因变异，可用于获得基因组上高度同源区域的reads。GRCH38并不是完美的人类基因组，其主要缺陷在着丝粒的区域。该区域包括数百万个碱基，序列高度重复。GRCH37着丝粒区域以gap形式存在，GRCH38建立模型推测的，虽不准确，但还是向前迈进了一大步。

人类基因组仅代表在基因组位点上的1个等位基因位点。参考等位基因是根据一个小群体的基因组确定的，可能并不是主要等位基因（人群频率>50%）。在某些情况下，检测的目标人种没有参考等位基因存在。目前的检测软件，如GATK，Platypus都允许一个位置存在多种等位基因。

基于GRCH37和GRCH38的WES样本数据分析显示，我们明确了GRCH38可以得到更准确的分析结果。GRCH38具有更好的比对效果，对后续CNV及结构变异的检测都具有正面影响。综上所述，GRCH38是人类基因组从GRCH37迈出的一大步，基因组准确度的提升对于高通量测序数据分析具有明显的积极意义。