《Briefings in Bioinformatics》：Computational tools for tandem repeat detection using long-read sequencing
编辑推荐：
本刊推荐：研究人员针对长读长测序数据中串联重复序列(TR)检测的挑战，系统评述了39种计算工具的算法策略与应用场景，为基因组动态变异研究提供了方法学指导，对遗传疾病机制探索具有重要参考价值。
在基因组这片浩瀚的密码海洋中，串联重复序列（TR）如同特殊的韵律片段，直接相邻的特定核苷酸基序多次重复出现。这些序列约占人类基因组的6%，却是最富动态变化的区域，贡献了超过70%大于50bp的结构变异。它们像基因表达的调控开关，影响染色质结构，更与60余种人类疾病密切相关——亨廷顿舞蹈症、脆性X综合征、多种脊髓小脑性共济失调等神经退行性疾病的幕后推手，往往就是TR的异常扩展。
然而，这些重要序列的检测却面临严峻技术挑战。传统短读长测序（100-200bp）就像用短尺丈长绳，难以跨越较长的TR区域；Southern印迹、桑格测序等传统方法虽能验证特定基因位点，却无法实现全基因组扫描。随着太平洋生物科学（PacBio）的单分子实时测序（SMRT）和牛津纳米孔技术（ONT）等长读长测序技术的发展，读取长度可达数万碱基，为直接测量完整TR区域带来曙光。这一技术革新催生了众多TR检测工具，但缺乏系统性的方法学梳理。为此，研究人员在《Briefings in Bioinformatics》上发表综述，对39种TR计算工具进行全景式剖析。
研究团队主要运用文献计量学分析方法，从算法原理、输入需求、应用场景三个维度建立分类体系。通过对比工具的核心架构，归纳出隐藏马尔可夫模型（HMM）、诱饵序列重比对、信号模式识别等关键技术路径。同时整合了TR可视化（如ModDotPlot、pathSTR）和功能预测工具（如deepSTR、STRAS）的评价框架，构建了从检测到解析的全流程方法学地图。
基于输入需求与算法设计的分类体系
研究人员建立了多维分类框架（图2），将工具划分为基于组装序列的de novo检测、基于读长的目录化检测、信号基础检测等七大类别。其中基于读长的工具又可细分为HMM策略、诱饵序列重比对策略和其他重比对策略。这种分类方式清晰揭示了不同工具的适用边界：当需要发现新TR位点且拥有组装序列时，TRF、mreps等组装基础工具能进行全基因组注释；而当TR位点已知且需精确分型时，TRGT、LongTR等HMM工具表现出更强鲁棒性。
隐藏马尔可夫模型的精准检测范式
在目录化TR检测中，HMM框架展现独特优势。工具如TRGT、RepeatHMM通过建立"隐藏状态-观测信号"的概率模型，能有效处理长读长数据的高错误率。adVNTR和code-adVNTR更进一步，为特定VNTR位点训练定制化HMM模型，在靶向检测中实现单碱基精度。但研究也指出HMM的局限性：对超长TR扩展的建模能力不足，且模型初始化敏感度较高，需要针对不同测序平台进行参数优化。
信号基础工具的纳米孔数据挖掘
针对ONT原始电信号分析的工具（如STRique、DeepRepeat）开辟了新路径。STRique采用剖面HMM将真实信号与TR序列预期信号比对，WarpSTR运用动态时间规整（DTW）算法进行信号模式匹配。这些工具能突破碱基识别环节的精度限制，直接从源头信号中捕捉TR特征，特别适用于低复杂度区域。但巨大的数据量和信号漂移现象也带来计算资源挑战。
de novo检测工具的创新探索
为发现未知TR位点，RepLong通过读长重叠网络进行社区检测，MotifScope采用k-mer频率分析策略，Straglr则从比对插入片段中识别扩展TR。这些工具虽填补了方法学空白，但普遍存在计算复杂度高、假阳性率偏高等问题，反映出de novo检测仍面临技术瓶颈。
功能预测与可视化技术进展
在TR解析层面，深度学习工具deepSTR能预测TR对转录调控的影响，STRAS和RExPRT通过机器学习评估TR致病变异潜力。可视化工具StainedGlass通过自相似性图谱呈现TR内部重复模式，pathSTR则提供群体水平TR分布比较，为结果验证提供直观依据。
技术评估与平台比较研究
通过模拟数据集、实验验证、组装推断和表型关联四种评估策略的对比，研究发现PacBio HiFi读长在短TR分型中精度更高，而ONT在捕获长TR扩展方面更具优势。两种平台会产生部分独有TR呼叫，提示互补使用可能获得更全面检测结果。
方法论创新与人工智能应用前景
综述指出未来四大发展方向：de novo检测效率提升、复杂TR结构解析能力增强、多技术路线融合优化，以及计算架构升级。特别强调人工智能（如AlphaGenome模型）可能带来突破性进展——通过直接学习原始序列特征，AI模型能识别传统方法难以捕捉的退化TR结构，且GPU加速架构可显著提升大规模数据分析效率。
这篇系统性评述为长读长TR检测领域建立了方法学坐标系，不仅为工具选择提供实践指南，更通过厘清技术路径的优劣边界，为下一代计算工具的研发指明方向。随着长读长测序成本的持续下降和个性化基因组时代的到来，这些计算工具将在揭示TR变异与疾病机制关联方面发挥关键作用。
