DNA甲基化测序怎么选？WGBS、RRBS与目标区域捕获对比指南

不知道你有没有碰过这种情况实验做完了数据也拿到手了审稿人却回复“甲基化的覆盖深度不够建议换成目标区域捕获重做”或者反过来前期没想清楚技术路线直接上了全基因组甲基化测序结果经费烧掉大半后续找差异位点又发现测序深度根本支撑不了。DNA甲基化测序这几年在肿瘤早筛、胚胎发育、干细胞分化、环境表观遗传这些方向几乎是绕不开的一个实验但大部分课题组最先卡住的问题往往不是实验操作而是不会选技术路线。全基因组甲基化、简化代表性测序、目标区域捕获这三种主流方案原理不同、数据形态不同、成本量级不同最后回答的科学问题也完全不同。我平时被问得最多的就是“我该做哪种”这篇文章就专门把这件事讲清楚。我尽量不堆术语直接按“每种方案本身能做什么、适合什么场景、关键参数怎么设、我踩过的坑有哪些”来写。如果你正在设计甲基化实验还没有把握选哪条路线这篇应该能帮你省下不少沟通和返工的时间。1. 三种技术的底层逻辑从“看得全”到“看得准”测序本身不稀奇稀奇的是怎么把“有没有甲基化”这件事转化成序列信息。很多人对三种方案的印象停留在“价格不一样”但真正理解它们的区别是从“各自在基因组上到底覆盖了什么”开始的。1.1 甲基化信号是怎么被“读”出来的DNA甲基化测序的原理说白了就是先做亚硫酸氢盐处理。未甲基化的胞嘧啶C会被变成尿嘧啶U在测序时读成胸腺嘧啶T已经甲基化的胞嘧啶则被保护住测序时仍读取为C。这样一来全基因组上每个C的甲基化状态就被转化成了序列层面的单碱基信息。后续分析只要把测序序列回贴到参考基因组上统计某一个C位点上被读成C的比例就能算出该位点的甲基化水平也就是常说的mCG比例或beta值。这个基础原理决定了所有技术的底线要求测序数据必须覆盖到足够多的C位点而且每个位点都要有足够的独立读数否则统计出来的甲基化比例是不可靠的。所谓“足够多”和“足够深”恰恰就是三种方案分道扬镳的起点。1.2 一图看懂三种方案的覆盖策略差异有人把三种方案比作显微镜的三种模式我觉得还挺贴切全基因组甲基化测序WGBS就像是全局扫描把基因组有C的地方尽量都照顾到不管基因区还是基因间区只要数据量够结果就是“全覆盖”。简化代表性测序RRBS像是对焦到“富矿区”用限制性内切酶把基因组切碎只富集那些富含CpG的片段去测序覆盖范围相对集中但不连续。目标区域捕获更像是在地图上用探针精确画出一片区域比如启动子、增强子、差异甲基化区域测序时只对这片区域深度看。这个比喻虽然粗糙但足够帮你在项目设计时快速定位你是想知道“全基因组上哪里甲基化有变化”还是“某个区域里面的甲基化状态到底怎么样”。目标不一样选型逻辑自然就不一样了。从实际产出上看WGBS的单样本数据量通常在60到100G甚至更高RRBS可以压缩到10到20G目标区域捕获则更灵活几M到几十M的捕获区间对应数据量也就3到10G左右。数据量不是唯一的决策因素但它是预算和计算资源的直接体现也是很多人第一个不得不面对的现实约束。2. 全基因组甲基化测序WGBS做全貌研究还是深度研究WGBS是甲基化测序里最“正统”的方案也是参考标准。做肿瘤早筛标志物筛选或稀有样本的甲基化图谱绕不开它。但它的代价也确实最重我用它做过很多轮这里把关键的地方摊开讲。2.1 WGBS的实验流程和核心参数常规WGBS流程大概是这样的基因组DNA先打断成一定长度的片段接着做末端修复和加A尾连接甲基化接头然后进行亚硫酸氢盐转化最后PCR扩增富集并上机测序。听起来和普通全基因组测序差不多但有两个关键区别是新手常忽略的点。第一个是内参DNA。亚硫酸氢盐转化效率不是100%为了衡量转化是否彻底业界普遍的做法是在建库前加入未甲基化的lambda DNA作为内参。如果测序结果里lambda DNA上的C位点仍被读成了C说明转化不够彻底这批数据在甲基化率计算上要打个问号。第二个是建库投入量。WGBS在建库过程中DNA损失比较严重常规方法通常需要几百纳克到微克级别的DNA。如果你的样本是穿刺组织或者微量cfDNA就得评估能不能用微量建库试剂盒或者改用其他方案。这一步在项目设计阶段不确认清楚后面样本耗尽才是真的麻烦。在测序参数上WGBS一般会设定双端150bp读长目标测序深度按物种不同差异很大。人类基因组单样本推荐15到30乘的深度这主要取决于你要做单碱基分辨率水平还是区域聚合水平。如果只是找DMR10乘左右可能够如果要精细到单个CpG位点的可靠判断最好还是往30乘靠。当然深度每翻一倍测序费用差不多也翻一倍这个账要早算。2.2 WGBS的数据分析和计算压力很多人以为WGBS只是测序价格高实际上数据分析的计算负担也常常被低估。全基因组范围的C位点数量是亿级别的人基因组上大约有2800万个CpG位点而每次比对时还要考虑亚硫酸氢盐转化导致的C到T变化这会让序列比对比普通DNA测序慢不少。我这边的经验是WGBS下机数据如果走标准流程包括质控、比对、去重、提取甲基化位点、生成bedGraph一台普通工作站跑一个样本基本上要一整天甚至更久。如果样本量到了十几个没有集群或者云计算的支撑进度会受到明显制约。做WGBS之前先确认实验室的计算环境是不是能接得住这些数据量这个决策顺序真的不能倒过来。还有一个实际问题是存储。一个WGBS样本的原始下机数据加比对后的中间文件加起来可能占用几十到上百GB的空间。项目做完这些数据还不能乱删因为审稿可能要求提供原始数据。所以做WGBS不只是买测序服务的问题也是给实验室扩容的问题。2.3 WGBS最适合用在什么场景如果项目目标是在全基因组范围内鉴定新的差异甲基化区域或者构建单碱基分辨率的甲基化图谱WGBS几乎无可替代。比如做某跨平台系统研究项目中需要对不同样本类型的全基因组甲基化模式进行无偏比较只有在WGBS数据下才能获得真正的全局视图。对研究肿瘤新标志物筛选的思路通常也是先用WGBS在少量样本上发现候选区域再用目标区域捕获在大样本上验证。这种“先全后窄”的组合方式科研上叫发现队列加验证队列其实也是预算利用效率最高的方式之一。我能给的建议是如果你的研究区域在实验设计阶段已经明确就不要用WGBS去“大炮打蚊子”。反过来如果连问题区域都不清楚也别为了省钱直接上靶向捕获那样可能找了半天找出来的区域压根不是真正变化的区域。这个顺序性问题我在第六部分还会再强调。3. 简化代表性测序RRBS平衡深度与成本的折中路线RRBS可能是三种方案里最容易被小看的一个。它的覆盖范围虽然不如WGBS但对CpG岛的覆盖效率极高而且实验成本相对低很适合样本量大的群体比较研究。3.1 RRBS的酶切富集原理RRBS的核心步骤是限制性酶切。常用的内切酶识别特定序列在基因组上产生大量大小相近的片段。这些片段很多落在CpG密集区域也就是启动子、CpG岛这些功能相关的位置。切完后用特定大小的片段筛选富集出包含较多CpG的片段再进行亚硫酸氢盐转化和测序。从原理可以看出RRBS天然就带着一个偏向性它研究的区域主要集中在酶切位点和CpG富集区对基因间区、异染色质区域的覆盖非常有限。所以拿到RRBS数据后分析上的第一件事就是搞清楚每个样本的有效覆盖区域而不是像WGBS那样直接用全基因组坐标做无差别比较。我曾经比较过同一批样本的WGBS和RRBS数据发现在CpG岛和启动子区域两者的甲基化水平高度一致但一走到基因间区RRBS的数据就明显稀疏很多区域根本没有测序深度。如果项目主攻的就是启动子和基因表达调控RRBS完全够用而且优势明显。3.2 RRBS的深度设置和样本投入要求RRBS的测序深度不需要像WGBS那么夸张。因为片段经过富集有效信息密度高每一份测序数据“花在刀刃上”的比例更大。多数RRBS项目建议测到20到30乘的有效深度就能对覆盖区域内的CpG位点做较可靠的定量分析。相比WGBS动辄100G以上的数据量RRBS单样本可能只需要10到20G成本大概是WGBS的三分之一到二分之一这个性价比对样本数量大的研究非常可观。样本投入量上RRBS因为先酶切再片段筛选实验过程中也会有DNA损失但总体比WGBS略宽容一些。不过如果样本DNA质量差或者降解严重酶切效率会大打折扣最后富集出来的片段偏向性也会加强。我遇到过一批FFPE样本做RRBS富集效率低测出来的有效比例很差最后只能放弃这批样本。从那时候起我就把样本质量检测作为RRBS实验前不可跳过的一个关卡。3.3 RRBS适合哪种研究设计RRBS特别适合“样本多、看启动子、比差异”这类研究。比如做两组或多组样本间启动子甲基化状态的比较每组样本几十个甚至上百个预算有限又需要统计学把握度的时候选RRBS比选WGBS现实得多。但这里有个陷阱大家要特别注意RRBS覆盖的区域不是完全固定的不同批次、不同酶切条件下的样本覆盖位点会有差异。做多组比较时务必要统一实验方案并且分析阶段要用可重叠的CpG位点做下游统计否则不同样本间的覆盖差异会被误判成生物学差异。这是RRBS项目里特别常见的坑而且是入了坑之后很难爬出来的那种。不过RRBS也的确存在局限性比如无法覆盖没有酶切位点的区域对某些基因组区域的甲基化状态属于“盲区”。如果你的研究对象里有大量的重复序列区域或者特殊基因组结构的甲基化状态RRBS可能就不合适了。4. 目标区域捕获甲基化测序聚焦关键区域的高性价比选择做了一段时间的甲基化项目后你会发现越来越多的课题其实并不是“要去发现”新区域而是“要对已知的一组可能区域做系统评估”。这时候目标区域捕获就是很理想的方案。4.1 捕获测序的原理和流程目标区域捕获甲基化测序的思路是先根据参考序列设计一批生物素标记的捕获探针这些探针能够与目标区域的DNA序列互补结合。样本DNA经过片段化和变性后与探针杂交洗掉非特异结合的DNA再把目标区域DNA洗脱下来进行建库和测序。这里的核心是探针设计。探针可以覆盖启动子区、CpG岛、DMR、特定基因的全部外显子区或者你关注的增强子区域。因为只对目标区域进行深入了解测序时产生的数据量不大但目标区域的深度可以做得比较深常见的方案会设置到100乘以上。这种测序方案最大的好处是它的“信息效率”很高。同样一个测序通道WGBS大部分数据都花在非目标区域上而捕获测序每个读数都在解释你关心的区域。在需要看大量样本已知位点的甲基化分型时这个优势非常重要。4.2 捕获方案的计算和设计细节探针设计的质量会直接决定数据质量。设计探针时一般要考虑这么几件事覆盖区域的GC含量。GC含量过高或过低都容易导致探针结合效率下降数据均匀性差设计中需要反复平衡。探针的密度和重叠度。探针密度太低目标区域可能出现覆盖空洞密度太高则增加试剂成本。区域边界效应。捕获区域的边缘几十到一两百碱基覆盖通常不稳定分析时建议往外扩一部分序列免得真正关心的位点刚好在“悬崖边”上。实际操作中只要拿到目标区域的BED文件就可以采用商业化的探针设计方案或者用开源工具设计定制化探针。我个人的体会是定制化探针第一次设计时一定要做小范围预实验验证不要直接上正式样本。探针设计的偏差会导致捕获不均匀最终数据里有的位点深得离谱有的位点一个读数都没有。小规模预实验成本不高值得花这个时间。4.3 数据分析和DMR鉴定要点捕获测序数据的分析流比起WGBS和RRBS简单不少因为它只处理一小块基因组区间。比对时可以考虑到靶向区域内的序列复杂度问题对于含有大量重复序列的区域映射质量会受影响需要用mappability信息做过滤。对捕获测序的差异甲基化分析我建议尽量在区域级别做统计而不是只看单个CpG位点。原因是捕获区间的测序深度虽然高但个别位点的覆盖波动依然存在把区域内的多个CpG位点聚合起来看甲基化趋势分析稳定性会好很多。只要方法学里合理设置了最小CpG数和最小覆盖深度阈值审稿人通常不会在这一点找麻烦。4.4 什么情况最应该选目标区域捕获如果你的课题已经积累了明确的候选区域比如通过WGBS或文献获得了DMR列表下一步要做大样本验证目标区域捕获几乎是唯一合理的选项。它能用相对低的成本在几百个样本里检测这些特定位点的甲基化状态统计功效和成本控制都合适。另外在医学转化项目中要开发某类疾病的早期筛查模型需要锁定几十到几百个甲基化标志物位点然后在海量临床样本中做验证和建模目标区域捕获也是目前应用最多的技术路线。它能把位点数量、样本数量和测序成本很好地同时管住。我见过一些课题组在已经有明确候选区域的情况下依然直接上了WGBS理由是想“把所有信息都测一遍”。但实际上后续的分析几乎不会去看候选区域之外的任何位点这部分多出来的数据除了增加成本和存储几乎没有产生信息增量。如果这种现象你感到熟悉那么捕获方案可能需要一定优先级。5. 技术选型决策从实验目标倒推方案而不是在预算里硬选很多人在选型时容易犯一个错就是先看预算再看方案。预算大概给多少就选和预算对应的技术。我想强调的顺序正好相反先厘清科学问题对应的数据需求再看看有没有空间优化做一个合理的折中。5.1 用一张决策表和个例选择做快速定位做选择时我一般会先用一张表把思路拉齐技术方案覆盖范围单样本数据量相对成本典型应用场景WGBS全基因组60-100G甚至更高最高甲基化图谱构建、新DMR发现、罕见样本全貌分析RRBSCpG富集区为主10-20G中大样本量启动子甲基化比较、群体差异分析目标区域捕获自定义目标区间3-10G低-中已知候选区域验证、标志物鉴定与临床队列建模举个例子。某研究团队关心A疾病中一组候选基因启动子的甲基化变化候选基因大概50个临床样本200例。这时候选WGBS显然不合适因为单样本数据绝大部分都不是候选区域的信息选RRBS也不理想因为RRBS对部分启动子的覆盖可能不完整最优方案就是设计一张覆盖这50个启动子区域的探针做成目标区域捕获这样每个位点的深度可以轻松做到几百乘不管甲基化变化是百分之十几的细微差异还是大幅变化都能稳定检测。而如果同样的团队还没有任何明确的基因假设只是想把A疾病样本和对照样本的全基因组甲基化差异找出来那RRBS里观察到的启动子偏向性可能不够“无偏”所以做真正的发现阶段研究还是得靠WGBS。这个顺序思考清楚项目的效率会完全不同。5.2 样本数量与DNA投入的匹配样本数量对技术选择的约束非常直接。一个目标区域捕获项目上机时会把多个样本混合在一个通道测序样本数多了以后平均到单个样本上的成本优势更明显。如果样本数少于20捕获方案的建库和探针固定成本均摊下来未必比RRBS低多少如果样本数在50以上捕获方案的成本优势就会很突出。样本DNA投入量也需要纳入匹配考量。全基因组和捕获方案对DNA质量的要求高FFPE样本降解严重时先做一个质量评估不通过就先尽量修复或者选择RRBS这类对破碎模板耐受性稍好的策略。但RRBS对降解样本同样有风险因为酶切依赖完整的高分子量DNA。5.3 参考数据库和测序平台的配套问题甲基化测序的分析很依赖参考基因组版本和染色体信息。设计目标区域捕获探针时必须确定自己的BED文件是基于哪个参考基因组版本。一旦参考基因组版本前后不一致坐标错位会导致探针捕获效率大幅下降或者数据比对后出现大量不在设计区间内的读数。平台选择上不同测序平台在读长和通量上的特点差异也会影响方案。WGBS一般需要用较长的读长来提高mapping率捕获测序则更依赖杂交效率与平台关系相对小。如果你做的物种不是人或者小鼠还要确认参考基因组和注释信息的完整度这个决定了全基因组方法和捕获方法的可行性差异。物种参考基因组越完整方案可选择性越多。6. 常见问题与排雷实录那些折腾过我的细节关于这三种方案我积累了不少实操中的“血泪经验”。这里挑几个出现频率最高的细节展开写每一个都是我真实掉过坑的地方。6.1 测序深度与覆盖度到底怎么定才不算白测甲基化测序里的深度和覆盖度很多人混淆。覆盖度指的是目标区域中有多少比例的C位点至少被测到了深度指的是每个位点平均被读到的次数。WGBS项目里深度在5到10乘时单CpG位点的甲基化定量噪声很大想把单个位点甲基化比例误差控制在10%以内经验上需要至少20乘左右的深度这就意味着30到40个分子事件样本。如果是区域聚合分析比如把一个启动子区域的十几个CpG位点一起算平均甲基化水平5到10乘的深度也能得到稳定结果。这也是为什么有些WGBS项目可以适当降深度但前提是下游分析只做DMR鉴定而不做单CpG位点定量。RRBS和捕获方案则不太一样。因为有效数据集中在特定区域建议的深度可以设置得更高。捕获方案动辄100乘以上的深度目的是尽量把每个位点做“穷尽式检测”。不同方案之间切忌直接套用一个深度参数要不然报告里看起来都差不多实际统计把握度差得很远。6.2 甲基化率换算和分析中的常见错误亚硫酸氢盐转化效率是甲基化数据质量的基石。转化不彻底会导致甲基化水平系统性偏高。除了建库时加lambda内参检查转化率外分析时也可以用CpG非甲基化区域或非CpG胞嘧啶背景来评估残留甲基化信号的多少。比对策略也很影响结果。甲基化测序数据比对时有两种常见模式全基因组比对和双基因组参考比对。前者直接用转化后的参考基因组做比对后者是把参考基因组中所有C位点先都换成T生成一个仅含三种碱基的参考序列同时保留原始的C信息比对后可以统计C到T的比率。目前主流工具多用双基因组索引的方式准确率更高。如果项目要跨平台对比这部分策略的差异必须统一否则样本间的系统性差异会坏事。我另一个经常提醒别人的点是在分析时一定要保留重复序列信息。很多人图省事mapping后直接去重结果把一些多拷贝区域里的真实信号给去掉了。甲基化分析里的去重策略需要根据不同工具的特性来定到底哪些重复该去哪些该保留没有搞清楚之前不要盲点。6.3 样本保存、批次效应和重复问题甲基化数据对样本前处理极其敏感。同一个组织样本离体后放置的时间长短不一样测出来的甲基化信号都可能出现差异。做项目时尽量保证所有样本的采集和保存条件一致DNA提取尽快完成切勿在室温放置太久。血液样本尤其要注意如果白细胞分离和DNA提取操作不统一甲基化结果里会出现明显的批次效应。批次效应说的是不同建库批次带来的技术差异。即使同一批样本分成两次建库上机也容易造成部分位点甲基化的系统性波动。条件允许的情况下把相同组的样本随机分配到不同批次不要一组样本占一批另一组样本占另一批。这样后续出现批次差异至少可以部分由实验设计消除而不是人为完全混淆。另外要多说一句重复实验的问题。生物学重复要尽量控制在可重复的技术层面。做WGBS或RRBS项目的时候技术重复的成本很高但如果你发现某个DMR的结果非常依赖个别样本的个别位点还是尽快用独立方法验证一下。甲基化验证最常用的是靶向重测序或者目标区域捕获如果只有少量几个位点有时候也结合其它定量方法再确认。结尾一点个人的体会这些年经手过的甲基化项目里因为技术选型导致返工的情况不在少数。有些是前期没有想好全貌还是焦点的问题就直接推了测序有些是拿到数据才发现覆盖区域根本不是想研究的部分。选错方案不是实验做错了而是“科学问题到技术路线”这一步没有对齐返工的时间比正式分析时间长得多。我个人的体会是选甲基化测序方案前一定多花半天时间做一件事把你的科学问题写成“我需要知道全基因组哪些位点变了”还是“我需要知道特定位置上到底有多大的变化”。前者走WGBS后者走RRBS或捕获这个问题捋清楚了方案基本就不会跑偏。至于预算那是在框架确定之后再精打细算的事。再分享一个小建议如果你的项目在方向上有一点不确定性一次性多设计几套方案对比比如先拿一两个样本同时跑WGBS和RRBS用实测数据做覆盖和成本的对比用数据说服自己。这个前期微小的投入通常可以帮整个项目避开最大的坑。