miniBWA

背景

在 NGS 分析流程中，序列比对一直是耗时最多的步骤之一。BWA-MEM 作为经典工具统治了这个领域近十年，BWA-MEM2 通过 SIMD 和工程优化实现了约 1.67 倍的加速，但算法本质没有变化。

2026 年，Heng Li 发布了 miniBWA，这才是真正意义上的算法换代。它整合了 BWA-MEM 的 BWT/FM-index、ropebwt3 的 SMEM 算法、minimap2 风格的 chaining 和 ksw2 SIMD 对齐内核，实现了约 4 倍的性能提升。

与此同时，社区也出现了 miniBWA 的 Rust 重写版——miniBWA-rs。本文将从速度、内存、精度、生产成熟度等多个维度，对这四个工具进行全面比较。

核心结论

如果只看 short-read DNA NGS 的综合性能，目前大致是 miniBWA ≈ miniBWA-rust > BWA-MEM2 > BWA-MEM；但如果把"临床生产成熟度和结果兼容性"算进去，则 BWA-MEM2 仍然是最稳妥的。

1. 真正的分水岭：BWA-MEM2 → miniBWA

BWA-MEM2 并没有真正替换 BWA-MEM 的算法。它的核心目标一直是：

"给我和 BWA-MEM 一样的结果，但是算得更快。"

BWA-MEM2 对 FM-index 内存布局、SA 查询、SIMD extension 等进行了大量工程优化，官方明确表示输出应与原始 BWA-MEM 0.7.17 匹配。因此在正常 short-read pipeline 中，可以基本认为：

BWA-MEM ≈ BWA-MEM2 的比对结果和精度。

BWA-MEM2 的提升主要是：算法基本不变 → SIMD / cache / memory layout / batching 优化 → 加速。

但 miniBWA 不一样。Heng Li 已经明确把它定位成 BWA-MEM 的 successor，甚至 BWA 自己的 README 现在都写了：

BWA-MEM for short reads will be replaced by minibwa.

miniBWA 实际做的是 BWA-MEM + ropebwt3 + minimap2 的重新组合：

• 保留 BWA-MEM 的 BWT/FM-index 和 variable-length seed 思路
• SMEM 查找使用 ropebwt3 的新算法
• Chaining 换成 minimap2 风格
• Base alignment 改用 minimap2 的 ksw2 SIMD 内核

这一代才真正发生了算法层面的变化。

2. 比对速度：miniBWA 是这次最大的突破

Heng Li 的 2026 miniBWA 论文，在 GRCh38、32 CPU threads、真实 WGS short reads 上给出了非常直观的结果：

论文中明确表述：BWA-MEM2 比 BWA-MEM 快约 67%，而 miniBWA 约为 BWA-MEM 的 4 倍速度，超过 BWA-MEM2 的 2 倍。

对于标准 PE150 WGS：

• BWA-MEM → BWA-MEM2：明显升级
• BWA-MEM2 → miniBWA：又是一次类似甚至更大的升级

3. miniBWA 为什么还能比 BWA-MEM2 快 2 倍？

BWA-MEM2 已经 SIMD 化了，按理说再快很多其实很困难。miniBWA 的办法不是继续硬优化 BWA-MEM，而是直接把一些旧设计扔掉。

① SMEM 查找重新设计

miniBWA 使用了最早在 ropebwt3 中实现的新 SMEM 算法，同时缓存全部 10-mer 的 SA interval。更关键的是，它把多条 reads 的 SMEM 搜索批处理在一起进行 memory prefetch。

Heng Li 报告这一项就使 SMEM finding 加速约 2.5 倍。

传统 BWA-MEM 有个非常典型的 CPU 问题：human genome BWT 本身大约 3 GB，根本塞不进 CPU cache，所以 FM-index 查找大量时间其实是在等内存。

传统方式：
CPU → 算几下 → 等 RAM → 等 RAM → 等 RAM → 算几下

miniBWA 方式：
read1 → prefetch
read2 → prefetch
read3 → prefetch
read4 → prefetch
然后回头处理 read1

通过把多个 query 的 memory request 提前发出去，从而把 memory latency 隐藏掉。

② Chaining 改用 minimap2

BWA-MEM 原来的 chaining 是比较老的 heuristic tree/chaining 方案。miniBWA 使用的是 minimap2 风格的 chaining，只是为了 variable-length seeds 做了调整。

③ 大量减少没必要的 DP

特别是 mate rescue。miniBWA 会先用一个 7-mer hash filter 判断这个 candidate 值不值得进行 Smith-Waterman。明显不靠谱的直接 skip，而不是先跑一遍昂贵的 DP，最后发现垃圾再丢掉。

④ 对高度重复区域"少做无用功"

这是 miniBWA 最有争议、同时也是最聪明的一项优化。BWA-MEM 在 centromere、acrocentric short arms、highly repetitive regions 会尝试大量候选位置。

miniBWA 的观点是：这些 reads 本身在 short-read 条件下很多就不可能被可靠定位。因此少做一些 extension / mate rescue，直接节省了大量 CPU。

但它也正好带来了后面我们要讲的"理论 mapping accuracy 略低"。

4. 内存：miniBWA 反而比 BWA-MEM2 漂亮很多

这是 miniBWA 特别值得注意的地方。

BWA-MEM2 的速度提升很大程度上是用更 aggressive 的内存布局换速度。目前 BWA-MEM2 human genome index 本身的 memory footprint 大约就是 10 GB。

在 Heng Li 的 Figure 3、GRCh38、32-thread WGS benchmark 中：

一个有趣的现象：miniBWA 不仅比 BWA-MEM2 快很多，RAM 反而少很多。

BWA-MEM2 的 peak RAM 受 thread 数、batch、reads characteristics、reference、allocator 影响很大。已有真实 benchmark 曾观察到 BWA-MEM2 在高线程下达到 50–100 GB 以上，而 BWA-MEM 明显低得多。

因此单纯从 CPU throughput / GB RAM 来看，miniBWA 实际非常有优势。

5. miniBWA-rust：Rust 重写版的表现

miniBWA-rs 是社区进行的 Rust faithful translation，目前已同步到 miniBWA v0.6。

Rust 版开发者做了一个 parity benchmark（GRCh38 + WGS PE）：

20 threads：

30 threads：

Rust 版真正的结论不是"Rust 比 C 更快"，而是：Rust 版现在已经基本可以做到 C 版同一性能等级，内存甚至略低。 作者全部测试项里，Rust/C 平均 peak RSS ratio 约 0.96×。

miniBWA 论文自己也说：对 short reads，Rust rewrite closely matches miniBWA；对于 long reads，不同测试环境下相差大约 20%。因此目前不能宣称 Rust 版稳定比 C 版快。

6. 最重要的问题：miniBWA 为了速度，精度到底有没有下降？

这里要分成两个问题：read mapping theoretical accuracy 和 最终 variant calling accuracy。这两个答案是不一样的。

第一层：单纯看模拟 reads 的正确比对位置

BWA-MEM / BWA-MEM2 略胜。

论文用 simulated 2×150 bp reads 测试，整体上 BWA-MEM 的正确比对率略优于 miniBWA。但进一步把 centromere / acrocentric regions 去掉以后，两者曲线已经非常接近。

原因是 miniBWA 有意减少了这些高度重复区域中的 extension、candidate evaluation、mate rescue，所以偶尔会放弃一个 BWA-MEM 最后还能找出来的 alignment。

排名：BWA-MEM ≈ BWA-MEM2 > miniBWA ≈ miniBWA-rs

但差距很小，而且主要集中在高度重复区域。

第二层：最终 variant calling accuracy

这部分比前面的 mapping ROC 更有意义。

作者用了 HG002 short-read → GRCh38 → DeepVariant 1.10 → GIAB Q100 truth set 比较 miniBWA 和 BWA-MEM：

SNP 方面：miniBWA 的 Sensitivity ↑，而且 Precision 也略 ↑，因为 FN 和 FP 都下降。

Indel 方面：miniBWA 的 Sensitivity 明显 ↑，FN 少了 1,104 个。代价是 Precision 略降，多出 90 个 FP。

作者进一步检查发现，很大一部分改善来自 miniBWA 对 >10 bp indel 的 reads 比 BWA-MEM 更容易形成正确 alignment。这和 minimap2-style chaining / alignment 本身更加适合较大 gap 是一致的。

miniBWA 并不能简单说"为了速度牺牲精度"，实际更接近：牺牲了一小部分高度重复区理论 mapping accuracy，换来了更合理的 alignment 算法，最终 small variant calling 反而相当甚至略好。

这个结论非常重要。

7. 但是对临床 NGS 特别重要的坑：ALT contig

这是如果你真考虑把 miniBWA 放进生产 pipeline，最需要注意的一点。

目前 miniBWA README 明确写：

does not properly work with alternate contigs

并建议使用不含 alternate contig 的 reference。

所以如果你现在 pipeline 用的是 GRCh38 full analysis set（带 ALT、decoy、HLA / alternative haplotypes），就不能简单把 bwa-mem2 mem 替换成 minibwa mem 然后认为验证结束了。

这是目前 miniBWA 真正需要注意的生产差异之一。

8. 当前 v0.6 和论文里的 miniBWA 已经有变化

miniBWA 论文是 2026 年 6 月的，但现在最新已经到 v0.7，2026-07-30 发布。

其中 v0.5 做了一个非常值得关注的修改：修正 paired-end MAPQ。Heng Li 认为 BWA-MEM 在一个罕见情况下会 overestimate MAPQ，miniBWA 新版本修正了这一点。

release note 特别说明：

在真实 SNP calling 中，这个改变会提高 precision，但降低 sensitivity。

所以上面给出的 DeepVariant 数字严格来说属于论文 benchmark，不应该直接认为当前 v0.6 一定一模一样。当前 v0.6 的 precision/sensitivity balance 已经有轻微调整。这反而说明 miniBWA 现在还处于一个比较活跃的算法成熟期。

9. 商用友好：许可证分析

对于企业或商用场景，许可证是选择工具时的重要考量。以下是四个工具的许可证对比：

miniBWA 的许可证细节

miniBWA 主体采用 MIT 许可，但它整合了以下项目的源代码：

• libsais：Apache 2 License，Copyright (c) 2021-2025 Ilya Grebnov
• mimalloc：MIT License，Copyright (c) 2018-2026 Microsoft Corporation, Daan Leijen

master 分支可选依赖：

• QSufSort：HPND License，Copyright (c) 1999 N. Jesper Larsson
• bwtgen：GPL 2 License，Copyright (c) 2004 Wong Chi Kwong

关键注意事项：master 分支默认包含 GPL 的 bwtgen.c 用于低内存 BWT 构建。如果编译这个文件（默认行为），生成的二进制将是 GPL 的。可以通过 make gpl=0 禁用低内存算法来生成非 GPL 二进制。Apache2 分支不包含 GPL 源代码，适合商用场景。

实际建议

10. 我目前的使用建议

针对常规 Illumina / MGI PE100/PE150 DNA NGS，我的看法：

新建科研 pipeline / 高通量 WGS

优先测试 miniBWA C。

已完成验证的临床 NGS pipeline

BWA-MEM2 继续生产 + miniBWA 做 parallel validation。

等 miniBWA：

• ALT contig 支持完善
• 版本稳定一段时间
• 在 tumor-normal / FFPE / low-VAF / complex indel 上有更多真实验证

再考虑迁移。

miniBWA-rs

目前更像一个非常有意思的技术项目，而不是我会优先用于临床生产的 aligner。除非你有明确需求：Rust library embedding、WebAssembly、Rust pipeline、避免 C ABI / dependency、内嵌 aligner 而不是 CLI subprocess。

11. 与肿瘤靶向检测的相关性

miniBWA 在 >10 bp indel 上的改善，让我非常想进一步看它对 EGFR exon 19 deletion、MET exon14 周边 indel、KIT/PDGFRA indel、FLT3-ITD 乃至低 VAF indel 的真实影响。

论文现在做的是 germline HG002，这和 FFPE 肿瘤 panel 是两个世界。

如果你需要，我可以按真正的应用场景，设计一套 "BWA-MEM2 vs miniBWA 肿瘤 NGS 验证方案"，包括 SNV、短 Indel、长 Indel、低 VAF、FFPE artifact、同源/重复区域分别该拿什么 truth set、看哪些指标。

参考链接

• miniBWA 论文 (arXiv)
• miniBWA GitHub
• miniBWA-rs GitHub
• BWA-MEM2 GitHub
• BWA README
• miniBWA dev.md