1. 背景介绍

单核苷酸多态性（Single Nucleotide Polymorphism，SNP）是指基因组中单个核苷酸腺嘌呤(A)、胸腺嘧啶(T)、胞嘧啶(C)或鸟嘌呤(G)在个体之间或个体配对染色体之间的差异，是造成基因组多样性的最常见的DNA序列变异。

插入缺失（insertion-deletion，InDel）是指在DNA序列中添加或删除少量碱基，主要指在基因组某个位置上发生较短长度的线性片段插入(Insert)或者缺失(Deletion)的现象，也是一种常见的DNA序列变异。

SNP和INDEL变异检测有助于我们更深入地了解基因组，生物性状的表现，物种的起源与进化，认识基因变异和疾病的之间的联系。从测序数据中进行准确的变异检测也是生物学、医学研究和精准医学的基础。

2. DeepVariant

DeepVariant是由Google Brain开发的一个开源软件，用于对基因组序列进行变异检测。它利用深度学习技术来实现高质量、高准确性的变异检测，能够在人类基因组的全长上实现高达99％的准确率。

DeepVariant使用卷积神经网络（CNN）来对原始DNA测序数据进行分析，并识别基因组中的单核苷酸变异（SNP）和插入/缺失（indel）。DeepVariant的基本工作流程有三个步骤：

make_examples: 将测序数据（经过比对的bam文件）中可能存在突变的候选位点编码成pileup image。
call_variants: 调用预训练的Google Inception V2模型，输出候选位点对应的三种不同基因型的概率。
postprocess_variants: 对候选位点进行合并处理，输出最终的突变检测VCF文件。

pileup image是根据reads提供的突变个数生成的图像，候选点位始终位于图像的中心。比如候选位点参考基因组碱基为A，测序得到的reads显示该位点含有G和T两种，因此可能存在3种等位基因({G,T,G&T})，因此生成3张图像。并结合真实的突变信息进行标注，一共有3种标签：

0/homozygous reference：纯合子并且和参考基因组相同；
1/heterozygous：杂合子；
2/homozygous alternative：纯合子但与参考基因组不同。

由于全基因组测序数据的平均覆盖深度一般不会超过$100$，因此pileup image图像高度设置为$100$；对于测序覆盖度大于$100$的区域，则通过下采样技术将其覆盖度降低至$100$以满足图像生成的要求。此时最多可编码$95$个read，顶部的$5$行保留用于参考序列。

现有主流测序平台产生的测序数据读长在$100bp$左右，对于候选的变异位点，向基因组两端延伸$100bp$即可将大部分覆盖待检位点的测序数据包含进来；考虑到插入缺失变异的长度，为其预留$20bp$的编码空间，因此pileup image图像宽度设置为$221$。

pileup image图像编码为$6$个通道：

read base：碱基类型，不同强度代表A,C,G,T
base quality：碱基的测序质量，由测序仪设定，数值越大表示质量较高
mapping quality：read的比对质量，由对齐器设置，数值越大表示质量较高
strand：read链的方向；灰色为正向，白色为反向
read supports variant：read是否支持变异；白色表示支持给定的替代等位基因，灰色表示不支持
base differ from ref：read链与ref链对应位置碱基是否相同；白色表示与参考值不同，灰色表示与参考值匹配

DeepVariant采用的CNN网络的输入层尺寸是$299×299$，因此需要对原始图像($221×100×6$)的空间尺寸进行缩放。