ClairS：基于深度学习的体细胞小变异检测工具¶

概述¶

ClairS 是一款适用于配对肿瘤-正常样本的体细胞小变异（SNV 和 Indel）检测工具，主要针对 Oxford Nanopore Technologies (ONT) 长读长 数据，同时也支持 PacBio HiFi 和 Illumina 短读长平台。它通过集成深度学习模型（以 Clair3 的 pileup 和 full-alignment 模型为基础），在消除胚系变异的基础上，利用规则和过滤策略输出高置信度的体细胞变异。ClairS 名称源自“Clair-Somatic”，法文中“clair”的阳性复数形式（末尾 s 不发音），其 logo 由 DALL-E 2 根据“DNA 序列中形似字母 S 的遗传变异”提示生成。

在典型的 ONT Q20+ 化学试剂下，针对 HCC1395 肿瘤（50× 覆盖度）和匹配的正常样本（25×），以高置信度真集（Fang et al., 2021）为基准，ClairS 在 VAF ≥ 0.05 时 SNV 的召回率和精确率分别达到 86.86% 和 93.01%；VAF ≥ 0.2 时进一步提升至 94.65% 和 96.63%。最新版本 v0.4.4 通过改进模型训练策略、引入真实癌症细胞系数据增强以及支持与 LongPhase-S 等下游分析工具的整合，进一步提高了性能与实用性。

核心知识点¶

1. 方法学框架¶

• 变体分型策略：ClairS 首先利用 Clair3 对正常样本和肿瘤样本分别进行胚系变异识别，然后过滤掉肿瘤样本中与正常样本共享的胚系变异。
• 双模型集成：同时使用 Clair3 的 pileup 模型（仅依赖目标位点周围的堆积信息）和 full-alignment 模型（利用完整比对信息）进行预测，两个模型的结果以等权重集成，再通过规则和后处理过滤器确定最终变异。
• 质量控制与标注：支持 --snv_min_qual 和 --indel_min_qual 分别设置 SNV 和 INDEL 的 QUAL 阈值，低于阈值的变异标记为 “LowQual” 或过滤；可结合 LongPhase-S 进行体细胞单倍型重建，识别与体细胞单倍型不一致的假阳性变异并降级为 “LowQual”。

2. 支持平台与模型¶

ClairS 针对不同测序平台和化学试剂提供预训练模型，常用模型包括：

• ssrs 模型：在合成数据预训练基础上，利用多癌种、多覆盖度、多肿瘤纯度的真实细胞系数据（如 HCC1395/BL、HCC1937/BL 等）进行增强训练，包含 BQ 值抖动（jittering）以缓解训练与测试间 BQ 分布偏移问题，性能通常优于 ss 模型。
• ss 模型：仅使用合成数据训练，适合当肿瘤类型未在 ssrs 训练集中覆盖且对跨癌种泛化有顾虑时的保守选择。

3. 独立版本与关联工具¶

为覆盖不同应用场景，ClairS 生态系统包括： - ClairS：配对肿瘤-正常体细胞变异检测。 - ClairS-TO：仅肿瘤样本的体细胞变异检测（Tumor-Only）。 - Clair3：胚系变异检测（DNA-seq）。 - Clair3-RNA：长读长 RNA-seq 的胚系变异检测。 - Clair-skills：面向 AI 代码助手（如 Claude Code、Cursor 等）的技能包。

4. 关键性能特征¶

ONT Q20+ 性能¶

根据技术报告（v0.4.0, 2024年10月），使用 ssrs 模型时，在不同覆盖度和等位基因频率（AF）范围下，ClairS 均优于 ss 模型和 DeepSomatic v1.7.0，特别在中低覆盖度和低 AF 区域优势明显。

PacBio Revio SNV 性能¶

• 数据集：HCC1395/HCC1395BL Revio，SMRTbell 3.0 试剂盒。
• 正常覆盖度固定 25× 时，ClairS 在不同肿瘤覆盖度（10×、25×、50×、100×）下均能保持高精度和高召回，VAF ≥ 0.05 时平均精确率 > 95%。
• 肿瘤覆盖度固定 50× 时，ClairS 在不同正常覆盖度（5×、10×、25×、50×）下性能稳定，召回率随正常覆盖度增加而略有提升。

Illumina SNV 性能¶

• 数据集：HCC1395/HCC1395BL，NovaSeq 6000 / HiSeq 4000。
• 肿瘤 50× / 正常 25× 时，多纯度组合的 Precision-Recall 曲线显示 ClairS 可取得较高的综合性能。

5. 版本迭代亮点¶

• v0.4.4（2025-11-28）：发布 LongPhase-S 后过滤集成文档；明确 5 kHz 模型在 4 kHz 旧数据上的基准性能（作为参考，不推荐混用）。
• v0.4.4（2025-11-18）：更新 ssrs 模型，引入 BQ 抖动，增加多肿瘤/正常覆盖度和纯度训练样本，整体性能较 v0.4.3 稳定提升。
• v0.4.3：支持通过模型目录下的 model_specific_settings.conf 设置参数（如 snv_min_qual、indel_min_qual）。
• v0.4.2：新增 --snv_min_qual 和 --indel_min_qual 选项，替代旧版 --qual。
• v0.4.1：新增 PacBio Revio 和 Illumina 的 ssrs 模型。
• v0.4.0：引入 ssrs/ss 双模型体系；使用四种真实癌细胞系训练 ssrs 模型；加入 BQ 抖动；调整 ONT 平台 Indel 最小 AF 要求至 0.1 等。

代码实操¶

以下为在 Linux 服务器上使用 Docker 运行 ClairS 的典型流程，其他安装方式（Singularity、Conda 等）详见官方仓库。

1. 获取镜像并准备数据¶

# 拉取最新预构建 Docker 镜像
docker pull hkubal/clairs:latest

# 准备参考基因组文件 (例如 GRCh38)
wget ftp://ftp.ncbi.nlm.nih.gov/genomes/all/GCA/000/001/405/GCA_000001405.15_GRCh38/seqs_for_alignment_pipelines.ucsc_ids/GCA_000001405.15_GRCh38_no_alt_analysis_set.fna.gz
gunzip GCA_000001405.15_GRCh38_no_alt_analysis_set.fna.gz
# 肿瘤和正常样本的 BAM 文件需包含合适的标记 (如 SM 标签) 并已排序索引
# 假设文件为 tumor.bam, normal.bam 及对应的 .bai

2. 运行体细胞变异检测¶

# 设置输入输出路径
TUMOR_BAM=/path/to/tumor.bam
NORMAL_BAM=/path/to/normal.bam
REFERENCE=/path/to/ref.fa
OUTPUT_VCF=/path/to/output.vcf
MODEL="ont_r10_dorado_sup_5khz_ssrs"  # 推荐模型

# 运行 ClairS
docker run -v $(pwd):/data hkubal/clairs:latest \
  run_clairs.sh \
  --tumor_bam /data/tumor.bam \
  --normal_bam /data/normal.bam \
  --ref /data/ref.fa \
  --model ${MODEL} \
  --output /data/output.vcf \
  --snv_min_qual 30 \        # SNV 最小 QUAL 阈值（默认 30）
  --indel_min_qual 30 \      # INDEL 最小 QUAL 阈值（默认 30）
  --threads 16               # 线程数

3. 针对特定平台的模型选择示例¶

# ONT R10 4 kHz 旧数据
--model ont_r10_dorado_sup_4khz

# PacBio Revio
--model hifi_revio_ssrs

# Illumina
--model ilmn_ssrs

4. 后处理：结合 LongPhase-S 过滤低置信度变异¶

（需单独安装 LongPhase-S）

# 先使用 LongPhase-S 对 ClairS 的输出进行体细胞单倍型定相
longphase-s --somatic_vcf clairs_output.vcf --tumor_bam tumor.bam --normal_bam normal.bam --ref ref.fa --out phased_somatic

# ClairS 输出的 VCF 中与体细胞单倍型不一致的变异会被标记为 “LowQual”
# 可用 bcftools 筛选 PASS 变异
bcftools view -f PASS clairs_output.vcf > clairs_pass_only.vcf

常见问题¶

Q1：如何为我的数据选择合适的模型？¶

A：优先使用 ssrs 模型（如 ont_r10_dorado_sup_5khz_ssrs），它在多癌种真实数据上增强训练，泛化能力更强。当您的肿瘤类型（如罕见癌种）未出现在训练所用的四种细胞系（乳腺癌和肺癌）中，且您担心跨癌种偏差时，可保守选择 ss 模型。对于 PacBio Revio 和 Illumina，直接使用对应的 hifi_revio_ssrs 或 ilmn_ssrs 模型。

Q2：我的 ONT 数据是用 4 kHz 试剂盒测的，能否用 5 kHz 模型？¶

A：不推荐。尽管 v0.4.4 文档给出了 5 kHz 模型在 4 kHz 数据上的基准性能以供参考，但两种化学试剂的信号特征存在差异，通常会导致性能下降。官方建议继续使用专用模型 ont_r10_dorado_sup_4khz，但请注意该模型将不再更新。

Q3：如何调整 SNV 和 Indel 的输出质量阈值？¶

A：在 v0.4.2 及以上版本，使用 --snv_min_qual 和 --indel_min_qual 分别设置。也可在模型目录的 model_specific_settings.conf 中添加 snv_min_qual=XX 和 indel_min_qual=XX 实现全局默认值。低于阈值的变异仍会出现在 VCF 中，但会被标记为 LowQual 或直接被过滤（取决于输出设置）。

Q4：ClairS 对 Indel 的灵敏度如何？如何优化 Indel 检测？¶

A：在 ONT 平台上，v0.4.0 起默认最低体细胞等位基因频率（AF）已调整为 0.1。如果您需要检测更低频率的 Indel，可使用 --indel_min_af 降低阈值，但可能增加假阳性。建议在 ONT 数据上结合 --indel_min_qual 提高阈值，或使用 ssrs 模型以获得更好的 Indel 精度。

Q5：如何评估结果的可信度？¶

A：可通过 QUAL 值、VAF 以及 PASS 标识初步筛选。更严谨的评估建议结合 LongPhase-S 进行体细胞单倍型一致性分析，假阳性变异往往与单倍型冲突。另外，可与独立验证集或正交技术（如靶向深度测序）比较。

速查表¶

常用命令行选项¶

可用模型速查¶

ONT Q20+ 性能速览（VAF ≥ 0.05，HCC1395, 50×/25×）¶

相关资源链接¶

• 论文预印本：bioRxiv
• 技术报告：Improving the performance of ClairS and ClairS-TO
• LongPhase-S 集成文档：docs/longphase-s_post-filter.md
• ClairS GitHub 仓库：https://github.com/HKU-BAL/ClairS