随着三代长读长测序（Long-read sequencing）技术的飞速发展，如何从海量数据中精准识别遗传变异，已成为阻碍精准医疗普及的核心瓶颈。近日，香港大学（HKU）工程学院计算机与数据科学学院罗瑞邦（Ruibang Luo）教授领衔的科研团队，在《自然-通讯》（Nature Communications）上发表了两项突破性成果，正式推出深度学习算法 ClairS-TO 与 Clair3-RNA。
这两款工具针对癌症个体化诊断及RNA功能基因组学中的长期痛点，大幅提升了变异检测的准确性，标志着AI驱动的基因组分析技术取得了重大进展。
ClairS-TO：打破癌症诊断对“配对正常组织”的依赖
在传统的肿瘤基因组分析中，为了区分体细胞突变（somatic mutations）与个体固有的遗传背景，通常需要同时采集患者的肿瘤组织和健康的“配对正常组织（matched healthy tissue）”。然而，在临床实际中，约有 30% 的案例面临正常样本缺失或获取成本过高的问题。
针对这一挑战，ClairS-TO 引入了创新的双网络（dual-network）模型：
-
验证网络（Confirmation network）：负责捕捉并确认真实的肿瘤突变信号。
-
过滤网络（Rejection network）：专门识别并剔除测序技术产生的系统性误差及生物学噪音。
这一突破使得研究人员在仅有肿瘤样本（Tumor-only）的情况下，依然能实现高精度的突变分析，显著降低了检测门槛，尤其适用于样本量受限的临床活检场景。
Clair3-RNA：全球首款攻克RNA“识别迷雾”的深度学习工具
RNA测序（RNA-seq）的复杂程度远超DNA。由于生物学层面的RNA编辑（RNA editing）现象常与真实的遗传突变混淆，且测序过程极易产生干扰信号，导致长读长RNA测序的变异识别长期处于低效状态。
Clair3-RNA 是全球首个专为长读长RNA测序设计的基于深度学习的小变异识别工具（small variant caller）。其核心优势在于：
-
精准区分噪音与编辑：利用深度学习架构，该算法能有效区分真实的突变与生物学编辑（如肌苷 Inosine 编辑）以及测序过程中的假阳性信号。
-
多维度分析：支持在分析基因表达（expression）水平的同时，以极高准确度锁定变异，实现了“一份数据、双重深度解析”。
Clair 系列：奠定生物信息学的行业标杆
ClairS-TO 和 Clair3-RNA 是著名的 Clair 系列 AI 基因组工具包的最新成员。此前，该系列的 Clair3 已成为三代测序领域的行业标准（Industry-standard），全球开源下载量已突破 40 万次。罗瑞邦教授表示：“ClairS-TO 和 Clair3-RNA 为深度学习驱动的遗传突变发现奠定了坚实基础，将加速精准医疗在临床基因组学中的普及应用。”这些技术的进步不仅提升了癌症诊断的效率，还推动了个体化医疗（personalized medicine）向更可及、更全面和更精准的方向演进，为全球患者和科研人员提供了强大的计算利器。
参考文献：
Lei Chen et al, ClairS-TO: a deep-learning method for long-read tumor-only somatic small variant calling, Nature Communications (2025). DOI: 10.1038/s41467-025-64547-z
Zhenxian Zheng et al, Clair3-RNA: a deep learning-based small variant caller for long-read RNA sequencing data, Nature Communications (2025). DOI: 10.1038/s41467-025-67237-y
编辑：周敏
排版：李丽
评论 (0)