共识更新｜临床基因组测序解读与报告专家共识

基因组测序（genome sequencing，GS）是一种全面且系统地检测个体核基因组和线粒体基因组 DNA 序列的技术。《临床基因组测序解读与报告专家共识》总结了临床基因组测序（clinical GS，cGS）的核心流程，旨在帮助相关从业人员正确理解和规范使用临床基因组测序技术，提升遗传病诊断的准确性，优化技术的临床效用，推动医学科学研究的进步。

一

技术简介

1

基因组测序

临床基因组测序（clinical GS, cGS），即由临床医师主导、面向遗传病患者、以遗传病分子诊断结论和检测报告为目标而开展的基因组测序，推荐以核心家系形式送检。与科研项目等其他应用场景的基因组测序不同，cGS 需要特别关注与临床应用相关的问题及规范，包括制定完整的临床应用流程、明确检测范围与技术局限性、基于临床需求进行数据质控 / 分析 / 注释 / 解读、规范临床检测报告的内容，以及合理开展受检者知情同意等。

本共识讨论的基因组测序基于短读长的高通量测序技术（也被称为二代测序，next generation sequencing, NGS），不包括长读长或单分子测序等其他测序方法。

2

检测流程

cGS 的检测流程包括检测前遗传咨询、湿实验、干实验、解读分析和报告咨询五个阶段：

1. 检测前遗传咨询：包括如何识别适合的患者（不是所有的遗传变异都适合使用 cGS）、采集表型信息、进行知情同意和完善检测申请信息；

2. 湿实验阶段：指从生物样本中获取 DNA 转化成测序数据的过程，包括 DNA 提取、文库制备、序列生成和初步数据质量控制（quality control, QC）；

3. 干实验阶段：指通过生物信息学（下文简称为生信）算法识别 DNA 变异、进一步 QC 以纠正技术偏差、识别实验错误（如样本错误或样本污染）的过程，这两个阶段是评估 cGS 分析验证测试性能的关键环节，主要由实验团队和生物信息学分析团队负责；

4. 解读分析阶段：包含数据分析、病例解读和结果报告三个主要部分，其中数据分析部分也被称 为三级分析，包括对变异的注释、过滤、优先级排序和致病性评估，该阶段主要由实验室解读人员和 / 或临床医师及遗传咨询师负责，为本共识重点关注部分；

5. 报告咨询阶段：包括评估检测结论的临床效用、其他疾病的风险评估、受检者家庭咨询等。

二

cGS 检测申请单 / 知情同意

共识意见

推荐由基因检测实验室设计统一的 cGS 检测申请单模板，以确保实验室能全面准确地获取关键信息。

推荐在临床与实验室间建立完善的沟通机制，以确保对先证者及家系成员的表型进行详细、全面、动态和持续的采集，包括先证者的临床特征和家族史等关键信息。

cGS 检测的知情同意应遵循尊重自主、有利、不伤害和公平的基本原则。

意见解读

申请单应至少包括：样本标识（如编号或受检者姓名）、受检者基本信息（包括个体识别信息）、联络人及联系方式、临床送检医生及联系方式、样本类型及采集日期，以及表型信息。对于家系送检，应尤其注意正确标记样本并绘制家系图。与检测相关的表型应随申请单提交，如后续补充，需明确样本标识。

书面知情同意书主要包括：①GS 检测的临床意义；②检测指征；③局限性；④采集样本的类型和方法；⑤可能存在的风险；⑥替代性的诊断方法；⑦受检者及家人的信息和隐私保护；⑧分析中可能得到的意外发现等。

cGS 检测主要面向临床疑似遗传病患者，结果分析应侧重于可解释其临床表型的致病变异。除非受检者在知情同意中选择接受，否则一般不建议报告与临床指征无关的变异，以免给受检者及家属带来不必要的心理负担。

三

GS 数据的质量控制要求

共识意见

推荐在下游分析前进行测序数据的质控与过滤，以去除测序误差，确保结果的准确性和可靠性。过滤措施应考虑可能的体细胞嵌合。

推荐从溯源质控和数据质控两个层面对 cGS 数据进行质量控制。

意见解读

cGS 数据的质量控制主要包含两个层面：溯源质控和数据质控。溯源质控包括性别溯源、样本溯源和数据污染分析等。数据质控包括原始数据量、数据质量值、N 碱基比例、GC 含量分布、插入片段长度分布、比对率、重复比例、平均测序深度、全基因组 20×以上覆盖区域和转换颠换率等多种指标。

若出现 “溯源质控” 异常，需与临床医师确认后再决定数据是否可用。若出现 “数据质控” 异常，除特殊情况外不推荐继续分析数据，应重新进行检测。考虑到质控，本共识不涉及产前或口腔黏膜细胞等样本形式。对于流产组织等可能影响测序质量的样本类型，需要由检测实验室根据质控结果决定是否继续实验和分析。

四

GS 数据注释的规则与内容

共识意见

推荐对 GS 数据进行高质量的数据注释，为辅助变异评级和筛选提供关键信息。

注释信息应准确。建议分级展示注释内容、维护对注释内容的解释说明并按功能模块管理注释过程。

推荐的数据注释内容应包括：变异检测相关信息、基因功能与关联疾病信息和变异位点致病性相关的注释。

意见解读

数据注释旨在提供在变异检测阶段无法获得的关键信息，以辅助三级分析中对变异的致病性评级和筛选。建议按功能模块组织注释流程，包括区分公共与本地知识库、注释工具集及参数、流程细节和测试结果，以便于系统维护、优化和问题追踪。需要重点强调的是，GS 变异注释应重点关注基因组版本、数据格式转化、坐标描述系统和变异对基因调控的影响。

五

解读

1

GS 解读分析的内容有哪些？

共识意见

推荐 GS 解读分析包括过滤和优先级排序两部分，建议综合基因型驱动与表型驱动的方法进行。

意见解读

单个基因组的 GS 实验结果中一般包含数百万个基因组上的变异，难以逐一进行遗传解读。推荐在解读前筛选出最可能导致遗传病的变异，降低后续精细解读的负担。

相比于外显子测序（exome sequencing, ES），GS 的关键优势之一在于扩展了可检测到的变异类型，从而简化了检测流程和提升了整体诊断率。

2

GS 解读分析策略有哪些？

共识意见

推荐结合基因型驱动和表型驱动的分析策略对 GS 数据进行解读分析。

意见解读

基因型驱动分析会对所有可疑的遗传变异进行筛查而不考虑受检者特定疾病的相关性，是无偏分析方法的核心组成部分。表型驱动分析能全面评估疾病相关但经基因型驱动分析后达不到报告标准的变异。在进行表型驱动分析时，实验室必须建立一套机制来定义给定表型的候选基因列表。

3

如何提升 GS 解读的效率？

共识意见

推荐分析人员考虑变异对基因、功能和表型的影响。使用整合分析结果的平台以尽可能减少额外的数据查找，提高解读效率。通过变异优先级排序可快速找出致病性变异，但也有必要核查其他变异。同时，深入评估、双人复核和验证也是必要的步骤。

六

GS 检测报告应包含的内容

共识意见

检测报告应包含基本信息、相关临床病例信息、检测项目信息、检测结论、检测结果和变异解读、针对检测结果的医学建议、检测方法局限性声明和补充信息等元素。

意见解读

推荐检测实验室应在遵循 NGS 检测一般规则和相关政策法规的基础上制定符合本实验室的报告规则。考虑到 GS 检测结果的复杂性，建议在知情同意阶段与受试者和临床医生沟通报告规则。

对于致病基因所致遗传疾病，建议在报告中提供相应的知识内容，供临床医生和受试者参考。建议同时提供中、英文的疾病名称及 MIM 编号，并描述疾病的主要临床表现，该基因的遗传模式、变异来源以及基因型 - 表型的关系分析等，并给出主要参考文献。

七

重分析

1

重分析应何时、由谁启动？

共识意见

推荐在送检医生或患者提出重分析要求时，或按实验室制定的定期计划来开展重分析。

推荐在个案水平和队列水平展开重分析，前者可获得更详细患者资料来提高阳性率，后者通过对相似表型的多个患者的数据进行重分析来提高阳性率。应遵循伦理原则并按 ACMG 次要发现列表报告数据中的意外发现。

意见解读

重分析的启动可来自送检医生或受检者的要求，例如出现重要表型变更、家庭有妊娠计划等。实验室也可在一定时间间隔后自行启动（通常至少 1 年，可为 23 年），或在检测或生信分析有重要技术更新时启动。

2

重分析前患者告知和患者随访应如何进行？

共识意见

推荐在首检时告知患者可能开展的重分析计划并获得患者知情同意，因为重分析可能改变检测结论。推荐送检医生或重分析人员获取患者最新的病史和家族史，用来评估表型变化，考虑是否采用更合适的检测方式和纳入家族成员数据。

意见解读

若实验室有对数据进行重分析的规定 / 方案 / 计划 / 政策，应在检测前咨询时告知患者。应告知患者重分析可能改变前一次检测结论，即曾经报告的致病性 / 可能致病性变异可能会在重分析中降级为良性 / 可能良性变异；或者，良性 / 可能良性变异也可能会在重分析中升级为致病性 / 可能致病性变异。患者提供最新联系方式以供后续随访对于重分析十分重 要，但患者也有拒绝被随访的权利，应予以尊重。

3

重分析包含哪些内容 / 数据？

共识意见

推荐使用原送检样本产生的 FASTQ 文件和最新的分析系统进行，并结合患者更新的表型信息和病历，更新的文献和数据库，对已报告和未报告的变异进行重新分析。

意见解读

重分析将使用此前测序产生的 FASTQ 文件和当前实验室最新版本的分析系统，结合患者家系更新的表型信息和医疗记录，以及最新的文献报道、数据库收录病例信息等进行。曾经被报告和未被报告的变异都应被重新分析。

图片来源于网络

在信息爆炸的时代，通过 NLP 技术在繁杂信息中提取关键信息是人类有效利用信息的手段之一。可以预见，基于表型的候选基因自动排序工具和基于 NLP 的自动更新变异数据库是未来测序数据自动化解读的两大方向，随着技术的不断进步，可进一步减少数据解读所需的时间和人力成本。

参考文献

[1] Gudmundsson S, Singer-Berk M, Watts NA, Phu W, Goodrich JK, Solomonson M, Genome Aggregation Database Consortium, Rehm HL, MacArthur DG, O' Donnell-Luria A. Variant interpretation using population databases: lessons from gnomAD. Hum Mutat,2022 43(8): 1012-1030.

[2] Austin-Tse CA, Jobanputra V, Perry DL, Bick D, Taft RJ,Venner E, Gibbs RA, Young T, Barnett S, Belmont JW, Boczek N, Chowdhury S, Ellsworth KA, Guha S, Kulkarni S, Marcou C, Meng L, Murdock DR, Rehman AU, Spiteri E, Thomas-Wilson A, Kearney HM, Rehm HL, Medical Genome Initiative. Best practices for the interpretation and reporting of clinical whole genome sequencing. NPJ Genom Med,2022,7(1):27.

[3] Ketkar S, Burrage LC, Lee B. RNA sequencing as a diagnostic Tool. JAMA,2023,329(1):85-86.

[4]卢宇蓝,李国壮,王雅琼,徐可欣,董欣然,蔡继昊,吴冰冰,王慧君,方萍,王剑,王华,孙路明,叶勇裕,李晴,刘雅萍,刘丽,刘宁,刘嘉琦,宋昉,杨琳,邱正庆,陈泽夫,罗华夏,郭丹,郝婵娟,赵森,黄尚志,彭镜,蔡小强,睢瑞芳,李林康,吴南,周文浩,张抒扬.临床基因组测序解读与报告专家共识[J].遗传,2025,47(3):314-328