

# 一、前言

在人类全基因组分析中，常常面对两个看似矛盾的目标：一方面，希望缩短 FASTQ 到 VCF 的分析时间，以有限算力支撑更多样本；另一方面，又希望提升 SNP、INDEL，尤其是结构变异（SV）的检出准确性。

Sentieon泛基因组流程（DNAscope Pangenome）是一个利用泛基因组图进行短读长 DNA 序列数据比对和变异识别的分析流程。该流程基于图结构的参考基因组表示法，旨在提升比对和变异检测的分析效率和精度，特别是在具有高序列多样性的复杂基因组区域中。

----
 
# 二、生殖遗传检测为何更需要关注 SV 和 CNV？

在生殖遗传研究与检测中，除了 SNP 和短 INDEL，染色体结构异常和基因组剂量变化同样是不可忽视的重要变异类型。拷贝数缺失或重复、倒位、易位及其他结构重排，可能与携带者筛查、胚胎植入前遗传学检测、复发性流产研究以及产前遗传评估等场景相关。

现有二代测序结合线性参考基因组，已经能够有效识别非整倍体、大型缺失或重复以及部分常规 CNV。因此，不能简单地说“传统二代测序无法检测 SV/CNV”。 真正具有挑战性的，往往是以下场景：

- 位于重复序列、片段重复和高度多态区域的变异；
- 线性参考中缺失的非参考插入和替代单倍型；
- 断点难以唯一定位的复杂 SV；
- 倒位、易位等不伴随明显拷贝数变化的平衡重排；
- 尺寸较小、嵌套或多断点组合的复杂 CNV/SV。

在这些区域中，短 reads 本身长度有限，而单一线性参考又只能提供一条主要路径，容易出现错误比对、多重比对或比对失败。由此得到的覆盖深度、异常 read pair 和 split-read 信号也可能不够稳定，给 SV 断点解析和复杂 CNV 判断带来困难。

----
 
# 三、从线性参考到图泛基因组：为什么同样的 reads 能得到更好的结果？

传统 DNAseq 或 DNAscope 流程通常将 reads 比对到单一线性参考基因组。线性参考成熟、通用，但它只能提供一条主要参考路径，难以完整表达不同人群和不同单倍型中的序列多样性。当样本与线性参考差异较大，或者变异位于高度多态、重复、大片段插入缺失等复杂区域时，短 reads 可能出现错误比对、多重比对或无法比对，继而影响下游变异检测。

Sentieon DNAscope Pangenome 则利用泛基因组图中包含的多条单倍型路径，为 reads 提供更丰富的比对空间。泛基因组流程包含多个阶段，通过两个有向无环图（DAG）执行：
第一个 DAG
- K-mer 计数：kmc 从输入的 FASTQ 文件中计数 k-mer。
- 样本特异性泛基因组：vg haplotypes 利用 k-mer 频率创建样本特异性的泛基因组。
- 泛基因组比对：vg giraffe 将读段比对到样本特异性泛基因组。
- 读段支持度计算：vg pack 计算变异体的读段支持度。
- 结构变异识别：vg call 根据读段支持度识别结构变异。
- 线性参考基因组比对：vg surject 将泛基因组比对结果投射回线性参考基因组。
- 重复标记：Sentieon Dedup 标记重复读段并计算相关指标。
- Indel 重新比对：Sentieon Realigner 执行 indel 重新比对。
- 小变异识别：Sentieon DNAscope 识别小变异（SNV和indel）。
- 倍性估计：估计样本性别和倍性，用于下游处理。
- HLA/KIR 基因分型：T1K 对 HLA 和 KIR 基因座进行分型（可选）。
- 片段重复变异识别：segdup-caller 识别片段重复区域的变异（可选）。

第二个 DAG
- CNV 识别：Sentieon CNVscope 识别拷贝数变异，并进行性别特异性处理。
- 重复扩增识别：ExpansionHunter 识别重复扩增（可选）。

下游仍可使用熟悉的 VCF 和标准参考坐标，而复杂区域的比对与变异识别能力得到了增强。

用一句话概括，即“FASTQ 没有变，测序成本没有增加；改变的是参考基因组的表达方式，以及数据中有效信息被利用的程度。"

----
 
# 四、Pangenome 的优势：给复杂变异提供更多“可比对路径”

图泛基因组不是只增加一条新参考序列，而是把来自不同个体和单倍型的替代序列组织成图结构。当样本包含线性参考中没有的序列或结构时，reads 可以在图中找到更接近真实样本的路径，从而降低参考偏倚，改善复杂区域的比对质量。

人类泛基因组参考联盟发表的研究显示，与 GRCh38 线性参考流程相比，使用泛基因组分析短读长数据时，小变异发现错误减少 34%，每条单倍型检测到的结构变异数量增加 104% 。这说明图泛基因组不仅有助于 SNP/INDEL，也为短读长 SV 分析提供了更大的提升空间。

需要注意的是，Pangenome 并不会自动解决所有 CNV 和结构重排问题。常规 CNV 仍主要依赖覆盖深度、等位基因比例等证据；平衡易位、复杂嵌套重排和高度重复区域也可能需要核型分析、CMA、FISH、长读长测序或其他方法进行补充与确认。Pangenome 的核心价值，是改善参考表达和 reads 比对，为这些变异提供更充分、更可靠的分析证据。

----
 
# 五、Sentieon Pangenome：让既有二代 WGS 看见更多复杂变异

Sentieon DNAscope Pangenome 将图泛基因组比对、个性化参考、DNAscope 小变异检测、PangenomeSV 和 CNVscope 整合到一套流程中，可同时输出：

- SNP 和短 INDEL。
- 结构变异 SV。
- 拷贝数变异 CNV。
- 标准参考坐标下的 BAM/CRAM 和 VCF，便于衔接既有注释与解读流程。

对于关注 SV 和 CNV 的生殖遗传研究，Sentieon DNAscope Pangenome 的意义在于：无需重新测序，即可在保留二代 WGS 高通量和成本优势的同时，进一步挖掘复杂区域和结构变异信息；配合 Sentieon 的高效计算能力，也有利于将图泛基因组分析扩展到更大样本量。

生殖遗传检测不能只关注 SNP。Sentieon DNAscope Pangenome 让同一份二代 WGS 数据看见更多复杂变异，为 SV/CNV 分析提供新的流程升级路径。


----
 
# 六、HG002 实测：同一份二代 FASTQ，Pangenome 模式全面提升检测精度

在此前的 HG002 测试中，使用 DNAscope Pangenome 模式，输入 FASTQ 与普通 DNAscope 模式完全相同。

两组分析的关键差异在于：
- DNAscope 模式采用传统线性参考分析；
- DNAscope Pangenome 模式引入图泛基因组比对和个性化单倍型信息。

在保持测序数据一致的前提下，DNAscope Pangenome 取得了更高的 SNP、INDEL 和 SV 检测精度：

|变异类型|HG002DNAscopeF1score|HG002DNAscopePangenomeF1score|Pangenome亮点|
|:-:|:-:|:-:|:-:|
|SNP|0.996|0.999|小变异检测保持极高精度|
|INDEL|0.996|0.998|复杂插入缺失识别进一步改善|
|SV|NA|0.955|短读长数据获得突出结构变异检测表现|

尤其值得关注的是，DNAscope Pangenome 的 SV F1 score 达到 0.955，已经超过此前对照测试中 10× 深度长读长 reads 的 SV F1 score。本次测试的结果传递出一个重要信号：在不更换测序数据、不增加一轮测序的情况下，图泛基因组方法可以显著拓展二代数据的分析能力。对于已经积累大量短读长 WGS 数据的研究机构而言，这也为存量数据再分析提供了新的路径。

----
 
# 七、三例 WGS 测试：约 88 分钟完成三个样本的全流程分析

除官方公开数据外，我们还使用了三个人类 Illumina WGS 数据，对 Sentieon DNAscope Pangenome 进行了实际运行测试。
本次测试使用 Sentieon Genomics 202503.03，基于 HPRC v2.0 Pangenome Graph + GRCh38，配套 `SentieonIlluminaPangenomeRealignWGS1.1.bundle` 模型。三个样本均为 Illumina PE150 数据，单样本压缩 FASTQ（R1+R2） 约 71.5 GB，平均测序深度约 34.45×。

计算环境为 HPC：三个样本分别分配至一台 64 CPU 计算节点，并行完成分析。 测试集群单计算节点配置：

- CPU为Intel(R) Xeon(R) Platinum 8358P CPU @ 2.60GHz 64核心
- 内存为 512GB DDR4
- 系统为 Ubuntu 22.04.3 LTS


## 1.  参考基因组文件下载

流程会相对于高质量参考基因组识别变异。除参考 FASTA 外，还需要提供 .fai 索引文件；如果从 FASTQ 开始进行 BWA 线性比对，还需要 BWA index。

对于 GRCh38，建议使用不含 ALT contigs 的参考版本，并保持 contig 命名与 pangenome、BED、VCF 文件一致。对于 CHM13 (T2T)，必须确保参考 FASTA、GBZ、HAPL、population VCF、BED 以及已有 BAM/CRAM 都在同一坐标体系下，不能混用 GRCh38 和 CHM13 文件。 

下载 GRCh38 参考基因组：
```
curl -L \
&nbsp; -O&nbsp;'https://ftp.sentieon.com/public/GRCh38/hg38_canonical.bed'&nbsp;\
&nbsp; -O&nbsp;'https://human-pangenomics.s3.amazonaws.com/pangenomes/freeze/release2/minigraph-cactus/hprc-v2.0-mc-grch38.gbz'&nbsp;\
&nbsp; -O&nbsp;'https://human-pangenomics.s3.amazonaws.com/pangenomes/freeze/release2/minigraph-cactus/hprc-v2.0-mc-grch38.hapl'&nbsp;\
&nbsp; -O&nbsp;'https://ftp.sentieon.com/public/GRCh38/population/pop-v20g41-20251216.vcf.gz'&nbsp;\
&nbsp; -O&nbsp;'https://ftp.sentieon.com/public/GRCh38/population/pop-v20g41-20251216.vcf.gz.tbi'&nbsp;\
&nbsp; -o&nbsp;'hg38_ucsc.fa'&nbsp;'https://ngi-igenomes.s3.amazonaws.com/igenomes/Homo_sapiens/UCSC/hg38/Sequence/WholeGenomeFasta/genome.fa'&nbsp;\
&nbsp; -o&nbsp;'hg38_ucsc.fa.fai'&nbsp;'https://ngi-igenomes.s3.amazonaws.com/igenomes/Homo_sapiens/UCSC/hg38/Sequence/WholeGenomeFasta/genome.fa.fai'&nbsp;\
&nbsp; -o&nbsp;'hg38_ucsc.fa.amb'&nbsp;'https://ngi-igenomes.s3.amazonaws.com/igenomes/Homo_sapiens/UCSC/hg38/Sequence/BWAIndex/genome.fa.amb'&nbsp;\
&nbsp; -o&nbsp;'hg38_ucsc.fa.ann'&nbsp;'https://ngi-igenomes.s3.amazonaws.com/igenomes/Homo_sapiens/UCSC/hg38/Sequence/BWAIndex/genome.fa.ann'&nbsp;\
&nbsp; -o&nbsp;'hg38_ucsc.fa.bwt'&nbsp;'https://ngi-igenomes.s3.amazonaws.com/igenomes/Homo_sapiens/UCSC/hg38/Sequence/BWAIndex/genome.fa.bwt'&nbsp;\
&nbsp; -o&nbsp;'hg38_ucsc.fa.pac'&nbsp;'https://ngi-igenomes.s3.amazonaws.com/igenomes/Homo_sapiens/UCSC/hg38/Sequence/BWAIndex/genome.fa.pac'&nbsp;\
&nbsp; -o&nbsp;'hg38_ucsc.fa.sa'&nbsp;'https://ngi-igenomes.s3.amazonaws.com/igenomes/Homo_sapiens/UCSC/hg38/Sequence/BWAIndex/genome.fa.sa'&nbsp;\
&nbsp; -O&nbsp;'https://storage.googleapis.com/gcp-public-data--broad-references/hg38/v0/Homo_sapiens_assembly38.dbsnp138.vcf.gz'&nbsp;\
&nbsp; -O&nbsp;'https://storage.googleapis.com/gcp-public-data--broad-references/hg38/v0/Homo_sapiens_assembly38.dbsnp138.vcf.gz.tbi'
```
![image.png](https://developer.qcloudimg.com/http-save/yehe-10646253/ffcea3c8a99a0c337f455f8ff2b25deb.png)

```
aws s3 cp s3://human-pangenomics/submissions/89DF6EFF-E289-49A2-B2B4-ABF13E43731B--PanGenie/chm13v2.0_maskedY_rCRS.fa . --no-sign-request
aws s3 cp s3://human-pangenomics/submissions/89DF6EFF-E289-49A2-B2B4-ABF13E43731B--PanGenie/chm13v2.0_maskedY_rCRS.fa.fai . --no-sign-request
```
## 2.  泛基因组文件下载

新版 DNAscope Pangenome 主要需要以下 pangenome 文件：

|文件|常见格式|说明|
|:-:|:-:|:-:|
|图文件|`.gbz`|pangenome graph 文件，包含图结构和路径信息|
|单倍型文件|`.hapl`|pangenome haplotype 信息|
|参考 FASTA|`.fa` / `.fasta`|线性参考，用于坐标体系和变异定义|

早期流程中常见的 `.snarls` 和 `.xg` 文件在原文示例中用于 `vg` 相关步骤；在当前 `sentieon-cli dnascope-pangenome` 文档命令中，用户侧核心输入已简化为 `--gbz` 和 `--hapl`。

![image.png](https://developer.qcloudimg.com/http-save/yehe-10646253/e08f67fb3d05265ab615ac4be3f007eb.png)

![e6973c49-284f-4ad9-b4fe-200a346867e7.png](https://developer.qcloudimg.com/http-save/yehe-10646253/5eb38e5f36eff03a74f48fb0103d7639.png)

## 3.  模型包（Model bundle）文件

DNAscope Pangenome 需要 Sentieon model bundle。模型包需与测序平台、分析流程和 population VCF 匹配。Sentieon models 仓库中提供了 pangenome 相关模型入口，例如 Illumina whole genome pangenome 和 Ultima whole genome pangenome 模型。

## 4.  Population VCF 文件下载

新版流程明确要求提供 population VCF：
```
--pop_vcf POP_VCF
```
population VCF 必须与 model bundle 匹配，并且坐标体系要与当前参考一致。使用 CHM13 时，不能直接沿用 GRCh38 的 population VCF。

![image.png](https://developer.qcloudimg.com/http-save/yehe-10646253/4ce99442263d4e1701f23f7bd8b21d9d.png)
```
wget https://ftp.sentieon.com/public/CHM13/population/pop-v20_chm13-20260528.vcf.gz
wget https://ftp.sentieon.com/public/CHM13/population/pop-v20_chm13-20260528.vcf.gz.tbi
```

![fca0265c-aae1-400e-a666-431f3ec1f9e2.png](https://developer.qcloudimg.com/http-save/yehe-10646253/471ebe83e98d1d72444a4b8eee97c7ba.png)

## 5. 使用命令

### 5.1  从 FASTQ 进行泛基因组比对和变异识别

新版 FASTQ 输入命令结构如下：
```
sentieon-cli dnascope-pangenome \
&nbsp; -r REFERENCE \
&nbsp; --hapl HAPL \
&nbsp; --gbz GBZ \
&nbsp; --r1_fastq R1_FASTQ \
&nbsp; --r2_fastq R2_FASTQ \
&nbsp; --readgroup READGROUP \
&nbsp; --pop_vcf POP_VCF \
&nbsp; -m MODEL_BUNDLE \
&nbsp; [-b INTERVAL_FILE] \
&nbsp; [-d DBSNP] \
&nbsp; [-t NUMBER_THREADS] \
&nbsp; [--pcr_free] \
&nbsp; [-g] \
&nbsp; [--call_svs] \
&nbsp; [--expansion_catalog EXPANSION_CATALOG] \
&nbsp; [--segdup_caller [GENES]] \
&nbsp; [--t1k_hla_seq T1K_HLA_SEQ --t1k_hla_coord T1K_HLA_COORD] \
&nbsp; [--t1k_hla_locus T1K_HLA_LOCUS] \
&nbsp; [--t1k_kir_seq T1K_KIR_SEQ --t1k_kir_coord T1K_KIR_COORD] \
&nbsp; [--t1k_kir_locus T1K_KIR_LOCUS] \
&nbsp; [--skip_metrics] \
&nbsp; [--skip_multiqc] \
&nbsp; SAMPLE_VCF
```
必需参数包括：
- `-r REFERENCE`：参考基因组 FASTA。
- `--hapl HAPL`：pangenome haplotype 文件。
- `--gbz GBZ`：GBZ 格式 pangenome graph。
- `--r1_fastq` / `--r2_fastq`：双端 FASTQ 输入。
- `--readgroup READGROUP`：样本 read group 信息。
- `--pop_vcf POP_VCF`：population VCF。
- `-m MODEL_BUNDLE`：Sentieon model bundle。
- `SAMPLE_VCF`：主输出 VCF，需以 `.vcf.gz` 结尾。

### 5.2  从已排序 BAM/CRAM 进行变异识别

如果已有排序后的 BAM 或 CRAM，可使用 `-i` 输入：
```
sentieon-cli dnascope-pangenome \
&nbsp; -r REFERENCE \
&nbsp; --hapl HAPL \
&nbsp; --gbz GBZ \
&nbsp; -i SAMPLE_INPUT \
&nbsp; --pop_vcf POP_VCF \
&nbsp; -m MODEL_BUNDLE \
&nbsp; [-b INTERVAL_FILE] \
&nbsp; [-d DBSNP] \
&nbsp; [-t NUMBER_THREADS] \
&nbsp; [--pcr_free] \
&nbsp; [-g] \
&nbsp; [--call_svs] \
&nbsp; SAMPLE_VCF
```
BAM/CRAM 的坐标体系必须与 `-r` 指定的参考一致。例如，GRCh38 坐标的 CRAM 不能直接放入 CHM13 流程中运行。

## 6.  单样本运行时间与资源消耗

|样本|单样本Walltime|峰值内存MaxRSS|CPU效率|
|:-:|:-:|:-:|:-:|
|`clean.lab14_a`|1 小时 19 分 57 秒|211.0 GB|60.2%|
|`AS24201083`|1 小时 20 分 12 秒|210.7 GB|60.1%|
|`clean.lab14_b`|1 小时 20 分 14 秒|207.0 GB|60.2%|

三个样本的单样本 Walltime 均约为 80 分钟。由于三个样本分别在三个节点上并行运行，从项目初始化、参考检查、Pangenome Calling 到结果统计汇总，三个样本的项目级端到端总用时约为 88 分钟，其中核心 Pangenome Calling 阶段约为 77 分钟。

换句话说，在本次硬件和流程配置下，约一个半小时即可完成三例 34.5× 人类 WGS 数据的图泛基因组分析，并同时得到 SNP/INDEL、SV 和 CNV 结果。

## 7.  各分析步骤的时间与内存画像

|分析步骤|耗时|峰值内存|
|:-:|:-:|:-:|
|KMC k-mer 分析与 vg 个性化图构建|约 5 分钟|约 40 GB|
|BWA-MEM 线性比对与排序|约 25 分钟|约 160 GB|
|Minimap2 Pangenome 重比对|约 10 分钟|约 60 GB|
|双路数据去重复与排序|约 15 分钟|约 55 GB|
|DNAscope 变异检测|约 12 分钟|1.33 GB|

完整作业的 MaxRSS 峰值为 207–211 GB，主要出现在比对、排序以及多数据流并行处理阶段；

## 8.  三种模式，应该如何选择？

|分析模式|主要特点|推荐场景|
|:-:|:-:|:-:|
|Sentieon DNAseq|高效复现 BWA-GATK Best Practices 数学模型，结果稳定|已建立 GATK 标准流程、重点关注流程加速与结果一致性的项目|
|Sentieon DNAscope|在线性参考框架下结合改进的局部组装和机器学习|希望兼顾高速度与更高 SNP/INDEL 检测精度的常规 WGS/WES 项目|
|Sentieon DNAscope Pangenome|使用图泛基因组、个性化参考和单倍型信息|希望进一步改善复杂区域、小变异及 SV 检测的短读长人类基因组项目|

如果项目的首要目标是替代并加速既有 GATK 流程，DNAseq 是直接选择；如果希望在线性参考体系下提高检测精度，可选择 DNAscope；如果希望让同一份二代数据获得更全面的变异检测结果，尤其关注复杂区域和 SV，DNAscope Pangenome 更值得优先评估。

----
 
# 八、总结

Sentieon DNAscope Pangenome 流程的核心价值，是将图结构参考引入短读长数据分析，在复杂区域和高多样性区域中改善比对与变异检测。同样的数据，更快的分析，更全面的变异结果。这正是 Sentieon DNAscope Pangenome 带来的核心价值：既保留二代测序成熟、经济和高通量的优势，又借助图泛基因组打开复杂变异检测的新空间，让每一份测序数据发挥更大价值。

Sentieon在不断地优化算法的运行效率，为科研工作者提供更快速、更经济的基因检测方案。若您刚好有需要检测的数据，不妨来申请试用Sentieon吧！

----
 
# Sentieon软件介绍
Sentieon为完整的纯软件基因变异检测二级分析方案，其分析流程完全忠于BWA、GATK、MuTect2、STAR、Minimap2、Fgbio、picard等金标准的数学模型。在匹配开源流程分析结果的前提下，大幅提升WGS、WES、Panel、UMI、ctDNA、RNA等测序数据的分析效率和检出精度，并匹配目前全部第二代、三代测序平台。

![640.jpg](https://developer.qcloudimg.com/http-save/yehe-10646253/b55314f8ce0064cda67cfea590502ce0.jpg)

![image](https://developer.qcloudimg.com/http-save/yehe-10646253/000ae1066d31559d9e3014149eff0811.svg+xml version=)Sentieon软件团队拥有丰富的软件开发及算法优化工程经验，致力于解决生物数据分析中的速度与准确度瓶颈，为来自于分子诊断、药物研发、临床医疗、人群队列、动植物等多个领域的合作伙伴提供高效精准的软件解决方案，共同推动基因技术的发展。

截至2026年4月份，Sentieon已经在全球范围内为1860+用户提供服务，用户处理超过7400+PB数据量，被世界一级影响因子刊物如NEJM、Cell、Nature等广泛引用，引用次数超过1900篇。此外，Sentieon连续数年摘得了Precision FDA、Dream Challenges等多个权威评比的桂冠，在业内获得广泛认可。


在人类全基因组分析中，常常面对两个看似矛盾的目标：一方面，希望缩短 FASTQ 到 VCF 的分析时间，以有限算力支撑更多样本；另一方面，又希望提升 SNP、INDEL，尤其是结构变异（SV）的检出准确性。

Sentieon | DNAscope Pangenome：赋能人类高精度生殖筛查

Sentieon泛基因组流程（DNAscope Pangenome）是一个利用泛基因组图进行短读长 DNA 序列数据比对和变异识别的分析流程。该流程基于图结构的参考基因组表示法，旨在提升比对和变异检测的分析效率和精度，特别是在具有高序列多样性的复杂基因组区域中。

云计算

Sentieon DNAscope Pangenome流程利用图泛基因组替代线性参考，在保留二代WGS成本优势的同时，显著提升复杂区域SNP、INDEL及SV检测精度，HG002实测SV F1达0.955，三例34.5×人类WGS约88分钟完成全流程分析，实现存量数据复杂变异再挖掘。

机器学习

数据分析

数据去重

软件开发

代码解释

画像分析

数据流

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Sentieon | DNAscope Pangenome：赋能人类高精度生殖筛查-腾讯云开发者社区-腾讯云

Sentieon | DNAscope Pangenome：赋能人类高精度生殖筛查

Sentieon | DNAscope Pangenome：赋能人类高精度生殖筛查

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐