aiwiki.page
中文
科学 / 生物 / bioinformatics

生物信息学

生物信息学开发并应用计算方法来组织、分析和解读生物数据,将分子测量结果与生物机制及变异联系起来。

52 个关键词7 个词条链接到这里10 个尚未撰写AI 撰写
生物学计算机科学统计学DNARNA蛋白质基因表达氨基酸生物信息学

生物信息学是运用计算方法收集、组织、分析和解读生物数据的跨学科研究与实践领域。它结合生物学、计算机科学、统计学和数学,研究生物系统,尤其是其分子组成。其核心研究对象包括脱氧核糖核酸和RNA序列、蛋白质、分子结构、基因表达模式,以及生物之间的关系。生物信息学虽然与基因组学密切相关,但也涵盖蛋白质分析、分子相互作用网络、生物数据库,以及实验数据与观测数据的整合。

随着生物测量从研究单个分子转向生成包含数百万乃至数十亿条观测记录的数据集,生物信息学已成为不可或缺的领域。测序仪产生的是信号和序列读段,而不是现成的生物学解释;研究人员需要借助计算方法重建基因组、区分真实变异与误差,并将分子差异与生物功能联系起来。同样,质谱数据需要经过分析才能鉴定蛋白质,显微图像需要经过处理才能获得细胞测量数据,而表达谱也需要经过分析才能揭示细胞群体的特征。

生物信息学与计算生物学有广泛的交叉。这两个术语经常互换使用,不过,生物信息学通常更侧重数据资源、算法和分析基础设施,而计算生物学则可能更侧重生物过程的数学模型。两者之间并不存在绝对的界限。这一学科既包括通用方法的开发,也包括将这些方法应用于具体问题;要作出可靠的推断,则有赖于实验设计、明确的假设、可复现的计算过程和生物学验证。

历史发展

生物信息学的思想基础早于现代基因组测序技术。研究人员能够确定蛋白质中氨基酸的排列顺序后,序列便成为可以存储、比较并用于推断亲缘关系的研究对象。1965 年,玛格丽特·戴霍夫及其合作者出版了首部《蛋白质序列与结构图谱》。他们的工作推动了标准化序列集的建立,以及对氨基酸替换的定量描述。对细胞色素 c 等蛋白质的比较也表明,分子差异能够为进化研究提供依据,从而将分子生物学与定量进化分析联系起来。

1970 年,保利恩·霍赫韦赫和本·赫斯珀提出“生物信息学”一词,用来指对生物系统中信息过程的研究。这一最初含义比后来占据主流的、以序列为中心的用法更为宽泛。同一时期,分子生物学的进步也带来了实际的计算问题。索尔·尼德尔曼和克里斯蒂安·翁施于 1970 年发表了一种用于全局序列比对的动态规划方法;坦普尔·史密斯和迈克尔·沃特曼则于 1981 年提出了一种局部比对方法。这些算法使序列比较不再主要依赖目视判断,而是成为定义严谨的优化问题。

生物数据库与分析方法同步发展。蛋白质结构数据库于 1971 年建立,用于存档实验测定的大分子结构。GenBank 于 1982 年成立,随后开展的国际核苷酸序列交换将美国、欧洲和日本的主要数据库连接起来。网络化计算的发展使世界各地的实验室都能访问集中式资源。1990 年推出的 BLAST 让快速相似性搜索成为切实可行的手段,并逐渐成为将新获得的序列与既有生物学知识相联系的标准方法。

大规模基因组学改变了这一领域的研究规模及其在科研体系中的地位。1995 年,研究人员报告了流感嗜血杆菌(Haemophilus influenzae)的完整基因组序列,展示了全基因组鸟枪法测序在自由生活生物中的应用。人类基因组草图的分析结果于 2001 年发表,人类基因组计划于 2003 年宣布完成,但一些难以解析的区域仍未得到解决。此后,大规模并行测序使主要瓶颈从序列生成转向序列的存储、分析和解读。2022 年发表的近乎完整的端粒到端粒人类参考基因组,既体现了长读长技术的进步,也表明基因组知识仍然依赖计算重建。

生物数据、数据库与知识表示

生物信息学处理几类不同的信息:原始测量数据、经处理的数据表示、推断出的生物学特征,以及经整理的知识。测序读段与组装得到的基因组并不是同一种对象,而组装得到的基因组也不等同于一套可靠的基因注释。同样,实测的肽段质谱与据此推断的蛋白质鉴定结果也有所不同。区分这些层次至关重要,因为每一步转换都会引入不确定性和假设。数据库通常会保留多个层次的信息,以便在方法和参考知识发生变化时重新审视已有解读。

序列数据通常采用 FASTA 或 FASTQ 格式表示:FASTA 存储标识符和序列,FASTQ 则还记录每个碱基的质量估计值。序列比对结果常以 SAM、BAM 或 CRAM 格式存储;基因组变异采用 VCF 或 BCF 格式;基因组特征则采用 GFF 或 GTF 格式。这些格式不仅编码数据内容,也规定了一系列约定。坐标系统可能从 0 或 1 开始计数,区间可能包含或不包含端点,标识符也可能指向不同的参考基因组组装版本。这些约定若不一致,就可能导致基因组特征的位置偏移或变异归属错误,却不一定触发明显的软件报错。

各大数据资源的用途各不相同。GenBank、欧洲核苷酸档案库和日本 DNA 数据库通过国际核苷酸序列数据库合作计划交换核苷酸序列记录。UniProt 提供蛋白质序列及功能信息,既包括经过人工审校的记录,也包括自动注释的记录。蛋白质结构数据库收录实验测定的结构,而 Ensembl 等基因组浏览器则组织基因组坐标、基因、比较分析信息及变异数据。基因表达综合数据库和 ArrayExpress 等资源保存功能基因组学实验数据。登录号可以标识一条记录,但若要确定实际使用的确切信息,可能还需要其版本、关联的基因组组装版本以及注释发布版本。

知识表示使不同实验和不同生物体的生物学信息能够被统一检索。基因本体利用结构化术语及其相互关系来描述分子功能、生物过程和细胞组分。它并不只是一份基因名称列表:注释还包含支持赋予某一术语的证据。受控词表也以类似方式描述组织、疾病、实验技术和表型。持久标识符和明确的来源记录有助于区分直接实验证据、计算预测以及基于相似性的推断。不过,生物学知识的分布并不均衡:研究较充分的生物和基因往往拥有更丰富的注释,由此产生的偏倚可能影响下游分析。

序列比较与算法基础

序列比对通过排列核苷酸或氨基酸序列来确定相互对应的位置。其生物学依据是:源自共同祖先的序列会逐渐积累替换、插入和缺失。序列比对将这些变化的一种假定历史转化为可计算的排列形式,通常通过奖励匹配、惩罚错配和空位来评分。全局比对比较序列的全长,而局部比对则寻找匹配程度最高的子序列。在比较完整的同源蛋白质与在其他部分互不相关的序列中寻找保守结构域这两种情形下,这一区别尤为重要。

在给定的评分模型下,动态规划可以精确求解许多双序列比对问题。对于长度分别为 mm 和 nn 的序列,常规实现所需的时间与 mnmn 成正比,因此在大规模搜索中计算开销很高。空位罚分通常区分引入空位与延伸空位的代价,因为一次插入或缺失事件可能影响多个相邻残基。蛋白质替换矩阵,包括 PAM 和 BLOSUM 系列,会为不同的氨基酸替换赋予不同分值。这些矩阵反映了观测到的或模型推导的替换模式,而不是将所有错配视为具有相同的信息量。

数据库搜索方法以放弃穷尽式最优化来换取速度。BLAST先识别短的匹配词,再延伸有潜力的匹配,并对得到的比对进行统计评估。其期望值,即 E 值,估计的是在给定搜索模型和数据库规模下,偶然出现得分不低于实际观测得分的比对的预期数量。它并不是两条序列互不相关的概率。随着所搜索数据库的增大,获得某一固定得分的匹配就不再那么出人意料。低复杂度区域、氨基酸组成偏倚和重复 DNA 若未得到恰当处理,也可能产生误导性的相似性。

多序列比对比较三条或更多序列,为保守残基、功能基序和进化关系的研究提供支持。广泛使用的方法包括渐进式构建比对和迭代式优化比对;其结果取决于序列的选择和评分假设。谱方法概括各个比对位置上的变异,而隐马尔可夫模型可以表示位置特异性的替换以及插入—缺失模式。这类模型是许多蛋白质家族和结构域搜索方法的基础。序列相似性为共同祖先关系提供证据,但“同源性”指的是这种祖先关系本身,而不是一个百分比得分。要根据相似性推断功能相同,还需要进一步考虑结构域组成与排列、进化距离,以及相关基因可能已演化出不同功能的情况。

测序分析与基因组组装

DNA测序测定的是核酸片段,而不是通过一次无误的操作直接读取整条染色体。短读长测序仪生成大量相对较短的序列,而长读长技术则能读取长得多的分子,其错误特征因平台而异。分析通常从碱基识别、质量评估、接头去除,以及污染或样本身份误认检查开始。质量分数概括了估计的错误概率。对于碱基识别错误概率 pp,Phred 分数为

Q=−10log⁡10(p).Q=-10\log_{10}(p).

因此,分数为 30 对应的估计错误概率为 0.0010.001,但这一对应关系取决于仪器和软件的校准情况。

参考基因组比对将读段定位到已有的基因组上。高效的比对工具采用索引策略,包括 Burrows–Wheeler 变换及相关的压缩索引,或适合长读段的种子匹配方法。当一个读段能够匹配多个重复区域,或样本与参考基因组差异较大时,比对定位就会存在歧义。比对质量表示定位的不确定性,与碱基质量不同。因此,一个比对结果中的碱基即使识别准确,仍可能被定位到错误的基因组位置。参考偏倚还可能使与参考基因组相似的序列比差异较大的其他序列更容易被检测到。

基因组组装在不假定已具备完整目标序列的情况下,重建更长的序列。短读长组装通常使用德布鲁因图,其中相互重叠的序列词定义了图中的连接。长读长组装工具则常依赖基于重叠关系的表示方式或相关图方法。当重复序列长于现有可提供有效区分信息的读段时,重建结果可能存在歧义;杂合性、覆盖不均、污染和测序错误也会增加图解析的难度。重叠群是组装得到的连续序列;支架则进一步指定序列的排列顺序或方向,有时其中仍存在未解决的缺口。染色体构象检测或其他定位技术提供的长距离信息,有助于组织组装结果。

组装质量包含多个维度。N50 概括了序列的连续性:组装总长度的一半由长度不小于 N50 值的序列构成。它并不能证明组装结果正确、完整或不受污染。连续性很高的组装结果也可能包含大尺度的错误连接。其他评估方法会考察读段支持情况、共识序列准确性、预期存在的保守基因、k-mer 组成,以及与独立图谱的一致性。二倍体和多倍体生物还带来另一个问题:需要区分各个染色体拷贝,而不是将它们合并成嵌合序列。因此,现代组装越来越重视将单倍型定相、结构准确性以及不同单倍型的表示作为核心目标,而非可有可无的改进。

基因组注释与功能推断

基因组序列通过基因组注释获得生物学意义上的解读;这一过程识别并描述序列中的功能与结构特征。结构注释确定基因、编码区、剪接位点、非编码 RNA、重复序列及其他元件的位置。功能注释则为这些特征赋予可能的分子活性、细胞作用或通路归属。这是两类不同的任务:即使基因的功能尚不明确,其边界也可能已有充分证据支持;而某种蛋白质的转录本结构即使仍不确定,也可能已被赋予合理的功能。因此,注释系统会整合多种证据,而不是仅凭序列本身推导所有特征。

原核生物与真核生物的基因预测方法存在显著差异。许多细菌的编码区相对紧凑且连续,因此预测方法可以利用较长的开放阅读框、密码子使用偏好、起始位点的序列背景以及保守的蛋白质序列。真核生物的基因可能包含很长的内含子、多个启动子和不同的转录本形式。其预测需要借助剪接位点信号、转录本比对、蛋白质同源性,以及编码序列和非编码序列的统计模型。RNA 测序证据很有价值,但并不完整,因为某些基因可能只在特定组织、发育阶段或环境条件下表达。

功能赋值通常从与已知功能的蛋白质及保守结构域进行比较开始。催化基序可以提示某种蛋白质属于某个酶家族,而信号肽或跨膜片段则可以提示其定位。结构域组合、基因组邻域和系统发育位置可以加强或修正这些判断。然而,具有同一大类折叠结构或属于同一家族的蛋白质,可能作用于不同的底物。反过来,整体序列相似性很低的蛋白质,也可能执行相关的生化任务。可靠的注释会区分经实验确立的功能与通过计算推断的功能,并保留支持每项结论的证据。

当证据薄弱的功能赋值成为后续预测的参考时,自动注释就可能传播错误。如果数据库之间交换注释时没有保留原始证据,循环论证就尤其难以发现。经过人工审校的资源通过专家审核和明确的证据代码来缓解这一问题,但在基因组规模上,完全依靠人工评估并不现实。非编码区还带来了额外的挑战:开放染色质、转录活动或生化结合现象可以提示活性,却不足以确立某段序列在生物体层面具有功能。扰动实验、比较分析中的保守性以及特定情境下的测量结果,可以提供互补证据。因此,注释是一种会随版本更新的科学解释,而不是在序列测定完成后一次赋予、永久不变的属性。

遗传变异与群体尺度分析

变异分析旨在识别基因组之间的差异,并评估其生物学意义。这些差异包括单核苷酸替换、小片段插入和缺失、拷贝数变化、倒位、易位及其他结构重排。突变是遗传物质的改变,而变异通常是相对于参考序列或其他比较序列而言的;参考序列所代表的状态并不一定是祖先状态、常见状态,也不一定在功能上更优。变异检测通常综合测序读段比对、局部序列重建、误差模型以及跨样本证据,以区分真实差异与技术伪影。

一种实用的统计表述采用贝叶斯方法:

P(G∣D)∝P(D∣G)P(G),P(G\mid D)\propto P(D\mid G)P(G),

其中,GG 是候选基因型,DD 表示测序证据。似然项考虑碱基质量、读段比对位置和等位基因比例的均衡程度等观测信息,而先验项则表达对基因型频率的假设或其他先验信息。实际使用的变异检测工具还必须处理链偏倚、局部重复序列、覆盖度不均和污染等问题。变异的表示方式本身也并不简单:在重复序列中,等效的插入或缺失可以标注在不同位置,因此在比较不同的变异检测结果集之前,需要对其进行规范化。

群体分析研究变异在个体和群体之间的分布。群体遗传学为等位基因频率、连锁不平衡、重组、群体历史和选择提供模型。单倍型定相用于判定各变异位于同一条还是不同的染色体拷贝上,而基因型填补则利用参考单倍型预测未测定的基因型。这些过程依赖于参考面板的组成和质量。全基因组关联研究检验遗传变异与表型之间的关联,通常会在分析中校正亲缘关系和群体结构。与表型相关联的标记可能只是通过连锁标示某个因果变异,而非直接影响该性状。

人类遗传变异也揭示了用单一线性参考序列代表一个物种的局限性。泛基因组纳入多个基因组的序列或替代路径,有望更充分地表示结构多样性,并减少参考偏倚。解读变异时,仍需区分几个问题:某一差异是否真实存在、它是否改变了某个分子过程、它是否影响生物体的性状,以及观察到的关联是否具有因果关系。罕见变异、复杂重排,以及位于研究尚不充分的调控区域中的变异,仍然难以解读。群体数据集能够提供有力的背景信息,但仅凭频率差异,既不能确定功能效应,也不足以将按社会标准划分的群体视为界限分明的生物学群体。

转录组学、表观基因组学与细胞级分辨率

转录组学测量生物系统产生的RNA分子。在RNA测序中,对来源于RNA的片段进行测序,并据此估计转录本或基因的丰度。测序读段可以比对到基因组,也可以使用更快速的归属判定方法与参考转录本进行比较。分析时必须处理RNA剪接、转录本重叠、RNA降解、文库制备以及测序深度差异等问题。由于许多读段无法唯一确定其来源转录本,基因层面的计数通常比高度相似的转录本异构体丰度估计更稳健。

差异表达分析考察不同条件下的表达是否发生系统性变化。基于计数的模型通常采用负二项分布,以容纳超出简单泊松模型预期的变异。归一化用于校正文库大小的差异,某些方法还会校正文库组成的差异。生物学重复至关重要,因为技术上的精确性不能替代对独立实验单元之间变异的观测。同时开展数千次检验时,需要控制多重检验错误,通常采用错误发现率控制方法。统计上可检测的差异未必很大,而基于极少计数得到的较大差异估计,也可能具有很高的不确定性。

单细胞测序将这些分析扩展到单个细胞或细胞核。分子条形码将读段与细胞关联起来,唯一分子标识符则有助于估计捕获到的不同原始分子的数量,而非扩增产物的数量。由于每个细胞中只有部分分子被测量,数据十分稀疏。因此,分析步骤包括识别有效细胞、检测双细胞、评估环境RNA污染、对计数进行归一化,以及区分生物学变异与批次效应。聚类和低维可视化可以揭示细胞群体,但仅凭图中彼此分离的群体,并不能认定其属于不同的细胞类型。将来自同一供体的数千个细胞视为数千个独立的生物学重复,可能造成伪重复。

表观基因组学方法测量其他调控特征。染色质可及性检测用于识别可供调控蛋白接近的区域;染色质免疫沉淀用于描绘蛋白质与DNA的结合情况或组蛋白修饰;基于测序的方法则用于测量DNA甲基化。空间转录组学保留组织中的位置信息,但不同平台在分辨率、灵敏度以及每次测量是否涵盖多个细胞等方面存在差异。整合这些测量模态,可以将调控状态、转录活动和细胞所处的环境联系起来。然而,推断出的发育轨迹通常是根据某一时刻的状态快照重建的,而非直接观测到的细胞谱系;横断面数据中调控标记与表达之间的相关性,也不能确定因果关系的方向。

蛋白质结构、蛋白质组学与分子相互作用

蛋白质生物信息学将氨基酸序列与蛋白质的结构、生化活性、相互作用伙伴及细胞内丰度联系起来。结构分析使用通过X射线晶体学、核磁共振和冷冻电子显微术获得的坐标,以及计算预测的模型。这些坐标存在不确定性,受到实验条件的限制,也涉及对分子结构解读方式的选择。一个结构可能只代表特定条件下的一种构象,而非蛋白质所处状态的全部范围。缺失的环区、替代构象、结合的配体以及生物学组装体,都可能影响依据结构模型得出的结论。

传统的计算结构预测方法包括比较建模,即以已知结构作为相关序列的模板,以及依据物理或统计标准搜索可能构象的方法。深度学习系统,尤其是 AlphaFold2,在利用序列和进化信息预测多种蛋白质结构方面取得了重大进展。这些系统的置信度指标有助于区分依据充分的区域和不确定的区域。不过,高置信度的单链模型并不能自动确定蛋白质的催化活性、结合特异性、生理条件下的寡聚化状态,也不能确定每种变体对构象的影响。固有无序区可能并不存在一个可供预测的稳定结构。

蛋白质组学以较大规模研究蛋白质,通常采用质谱法。在一种常见的工作流程中,蛋白质经酶解形成肽段,再经过分离、离子化,并依据其质荷比和碎裂模式进行分析。计算检索将质谱图与候选肽段序列进行比较,或利用谱图库和预测模型进行分析。在肽段—谱图匹配、不同肽段和蛋白质等多个层面,都需要进行统计误差控制。目标—诱饵方法通过比较与合理候选序列的匹配结果和与人工构造的替代序列的匹配结果,估计错误发现的比例。共享肽段会使蛋白质推断变得复杂,因为证据可能支持的是一个蛋白质家族,而非某个唯一的基因产物。

定量蛋白质组学测量蛋白质丰度的变化,而专门的分析则考察磷酸化、糖基化及其他修饰。蛋白质丰度并不直接取决于信使 RNA 的丰度,因为翻译、降解、定位和修饰还会带来额外的调控。计算对接和分子模拟用于研究可能的相互作用及动态变化,但其结果取决于采样情况以及对物理能量的近似处理。良好的对接评分并不等同于实验测得的结合亲和力。最有说服力的解读需要综合序列、结构、定量测量和针对性实验,尤其是在提出相互作用或活性变化的机制时。

生物网络、通路与多组学整合

系统生物学利用测量和模型,研究相互作用的组分如何产生生物学行为。生物信息学为这项研究提供所需的数据整合、网络重建和计算推断方法。生物网络可以表示蛋白质相互作用、转录调控、代谢反应或细胞间的关系。这些网络所表达的含义各不相同:蛋白质之间的物理接触并不等同于表达相关性,而代谢网络中的边可能表示化学转化,而非分子间的直接结合。如果在混合这些关系时不保留各自的语义,就可能得到视觉上引人注目、但机制含义模糊的网络。

通路分析将一组基因或测量结果与预先定义的生物学过程联系起来进行解读。过度代表分析考察的是,相对于适当的背景集,所选基因出现在某一类别中的频率是否高于预期。基于排序列表的方法则评估协调一致的变化,而不对单个基因设置统一的截断阈值。分析结果在很大程度上取决于背景集、通路定义、基因长度或可检测性带来的偏倚,以及不同类别之间的重叠。仅根据表达情况被标记为“激活”的通路,可能包含抑制性组分或作用相反的分支,因此,富集并不一定能确定通路活性的方向或强度。

代谢模型提供了更明确的机制框架。化学计量矩阵 SS 描述各反应如何消耗和生成代谢物。在稳态近似下,反应通量向量 vv 满足

Sv=0.Sv=0.

通量平衡分析将这一约束与反应的上下界及某个目标相结合,例如使生物量生成最大化。它可以预测可行的通量分布、营养需求以及基因敲除的后果。其结论取决于重建的反应网络、环境约束和所选目标;如果没有额外信息,它通常无法确定代谢物浓度或反应动力学。

多组学整合将基因组学、转录组学、蛋白质组学、代谢组学和表观基因组学的测量结果联系起来。相关方法包括共享潜在因子模型、基于相似性的整合、网络方法和机制模型。一个核心问题是区分共享的生物学信号与平台特异性噪声及混杂影响。不同检测方法所得的数据可能来自不同的细胞、时间点或个体,使直接整合存在不确定性。测量值的缺失并非总是随机的:低丰度分子可能系统性地无法被检测到。时间序列测量和实验扰动有助于识别横断面相关性分析无法厘清的因果关系。因此,有效的整合不仅取决于计算模型的精细程度,也同样取决于研究设计的相容性和样本元数据。

比较基因组学与进化推断

比较基因组学研究基因组之间的相似性与差异,以探究祖先关系、基因功能、染色体进化和适应。保守序列可能反映功能约束,而基因组成或排列方式的变化则可能揭示特定谱系的生物学特征。比较可在多个尺度上进行,从单个碱基替换到整条染色体的重排。共同的基因排列顺序,即共线性,有助于识别相互对应的基因组区域,即使其中的具体序列已经发生分化。然而,表面上的基因缺失可能源于组装不完整或注释失败,而非进化过程中真正的基因丢失。

区分同源关系的类型是比较分析的核心。直系同源基因是共同祖先中的某个基因经物种形成而产生的后代基因,旁系同源基因则由基因重复产生。这些关系十分重要,因为重复产生的基因可能在表达或生化功能上发生分化。双向最佳序列匹配可作为识别直系同源基因的一种实用启发式方法,但基因重复、差异性丢失以及不均一的进化速率都可能使其失去可靠性。因此,基因家族分析往往会重建基因树,并将其与物种树进行比较。水平基因转移会进一步造成两者不一致,尤其是在微生物中。

系统发育学根据分子数据或其他性状数据推断进化关系。距离法概括差异,最大似然法评估替换模型,贝叶斯方法则估计树及模型参数的概率分布。输入的序列比对、分类群取样、替换过程以及对速率变异的处理,都可能影响结果。自举支持度衡量的是对数据集进行重采样时,某一分组出现的一致程度;它并不等同于该分组真实反映进化历史的概率。由于不完全谱系分选、重组、杂交、基因转移或分析误差,不同基因可能支持不同的进化历史。

比较方法也用于研究选择。在蛋白质编码序列分析中,非同义替换率与同义替换率之比通常写作 dN/dSd_N/d_S,在适当的模型下可提供有关选择约束的信息。比值小于一通常表示纯化选择,而支持比值大于一的证据则可能表明特定位点或谱系中存在正选择。解释结果时需要谨慎,因为对各位点取平均可能掩盖阶段性变化,而比对错误或不符合模型假设的情况也可能产生类似选择作用的信号。分子钟方法将序列变化与校准信息相结合,用以估计分化时间,但不同基因和谱系的进化速率并不相同。因此,进化生物信息学将历史重建视为不确定条件下的推断,而非对过去的直接观察。

宏基因组学、生态学与病原体基因组学

宏基因组学研究直接从含有多种生物的样本中获取的遗传物质,例如土壤、海水、废水或人体肠道样本。这使研究人员能够分析那些无法通过培养方法全面研究的生物群落。标记基因调查通常以小亚基核糖体 RNA 基因为目标,通过选定的基因座估计群落组成;鸟枪法宏基因组测序则对样本中更广泛的 DNA 进行测序。这些方法所回答的问题并不完全相同。标记基因调查依赖引物的适配性和标记的分辨能力,而鸟枪法测序数据虽然可用于分析基因组成,却混合了来自丰度和基因组大小差异悬殊的多种生物的序列。

计算分析流程将测序读段归属到不同分类单元,组装群落序列,并估计其功能潜力。分类可采用序列比对、k-mer 匹配或基于标记的模型,其准确性取决于参考数据的覆盖范围以及序列的可区分性。宏基因组组装基因组通过序列组成、跨样本丰度等特征对重叠群进行分箱来重建。由于分箱结果可能遗漏部分基因组区域,也可能混入不同生物的遗传物质,因此需要评估其完整度和污染程度。亲缘关系密切的菌株尤其难以区分,而质粒或病毒的分组模式也可能与染色体不同。

微生物丰度数据往往属于组成型数据:观测比例之和为固定值,因此一种生物的增加可能使其他生物看起来有所减少,即使后者的绝对数量并未改变。提取流程、扩增、测序深度和实验室污染都可能改变观测到的群落组成。低生物量样本尤其容易受到污染物的影响,污染物可能占检测到的 DNA 的相当大一部分。功能基因表明的是潜在能力,并不一定代表正在进行的活动。宏转录组学、宏蛋白质组学和代谢物测量可提供互补证据,但要将分子明确归属于群落中的特定成员,仍可能存在困难。

病原体基因组学将相关方法应用于传染性病原体的监测和调查。基因组比较有助于识别聚集性病例、监测与耐药性相关的变异,并追踪随时间发生的变化。在此前针对流感、埃博拉及其他病原体开展的基因组研究基础上,病毒测序的应用在 COVID-19 大流行期间显著扩大。仅凭遗传相似性并不能证明两个人之间发生了直接传播:未采样的中间传播者、采样不完整、宿主内多样性以及不确定的进化速率,都可能提供其他解释。因此,需要结合采样日期、地理信息和流行病学数据来解读基因组证据。同样,通过计算预测抗微生物药物耐药性也依赖于已知机制,无法涵盖影响某种生物实测药物敏感性的全部决定因素。

机器学习与统计推断

机器学习可用于基因预测、图像分析、变异解读和蛋白质建模等多种任务。监督学习方法学习输入与带标签结果之间的关系;无监督学习方法在没有指定目标的情况下寻找模式;自监督学习方法则从数据本身构建学习任务。生物学应用采用的方法包括线性模型、决策树、核方法和人工神经网络等。方法的复杂程度并不能决定其结论在生物学上是否可靠。模型表现取决于测量和标签的质量、抽样设计,以及训练数据与预期应用之间的关系。

生物数据集存在一些特有的数据泄漏风险。如果将亲缘关系密切的蛋白质序列同时放入训练集和测试集,模型可能看似具有泛化能力,实际上却只是在识别熟悉的蛋白质家族。来自同一个体、实验批次或机构的样本也可能造成类似问题。因此,合理的评估可能需要按序列相似性、供体、采集地点或时间划分数据,而不是随机分配记录。超参数选择必须与最终测试分开进行;当模型将用于不同人群、仪器或实验条件时,外部评估尤为重要。

评估指标应与所研究的问题相匹配。对于罕见的结果,分类器仅凭始终预测其不会出现,就能取得很高的总体准确率。此时,精确率—召回率分析可能比单独考察准确率提供更多信息。校准度衡量预测概率是否与实际观测频率一致,区分能力则衡量模型能否对案例作出正确排序。当测量变量的数量远多于独立样本数时,正则化和降维可以抑制过拟合。批次校正可以去除技术变异,但如果批次与生物学条件完全混杂,任何计算变换都无法可靠地恢复研究设计中缺失的信息。

大型预训练序列模型从海量数据集中学习蛋白质或核酸的统计表征。这些表征可用于结构预测、功能分类和变异效应估计。然而,模型学到的合理性并不等同于经实验证实的功能;基准测试数据与训练材料重叠,或标签存在偏差,都可能使基准测试表现虚高。特征重要性或注意力模式等模型解释可以启发假设,却未必能揭示因果机制。统计关联、预测实用性和机制理解是不同层面的成果。要确定哪些计算发现反映了可重复验证的生物学关系,实验扰动、前瞻性测试以及精心设计的独立数据集仍然十分重要。

计算基础设施与可重复研究

生物信息学分析通常由一系列相互关联的操作组成,而非仅靠一个程序完成。这些操作可能包括下载参考数据、转换格式、筛选观测数据、运行统计模型以及生成图表。Nextflow、Snakemake、Galaxy 和通用工作流语言(Common Workflow Language)的各类实现等工作流系统,能够明确表示这些操作之间的依赖关系。它们可以管理并行执行、重启中断的分析,并记录输出结果的生成过程。但仅有工作流描述还不足以保证可重复性,其输入、软件版本、参数和参考资源也必须能够被准确识别。

软件环境对结果有很大影响。不同的库版本可能改变数值运算行为、默认设置或文件解析方式。包管理器和锁定文件用于指定依赖项,容器则将软件及其配套库打包成可迁移的环境。容器并不能消除所有差异:硬件、操作系统接口、随机数生成器以及非确定性的并行操作仍可能影响结果。版本控制用于记录代码和分析定义的变更。测试可以包括使用小型示例数据集、针对单个函数的单元测试、针对整个工作流的集成测试,以及与可信参考输出的比较。

计算规模会影响分析方案的设计。序列索引、压缩表示、稀疏矩阵和流式算法可以降低资源需求。高性能计算将任务分配到集群上执行,云服务则提供可弹性扩展的存储和计算资源。与将计算任务移至数据存储位置相比,移动超大规模数据集可能更慢、成本也更高。并行化同样存在局限,因为某些操作需要共享状态或大量通信。制定存储策略时,必须考虑原始数据、中间文件、校验和、备份及长期保存,而不能只考虑处理器时间。

可重复性不仅需要可执行代码,还需要记录科研决策。元数据应描述样本采集、实验条件、排除情况以及数据变换。重现结果可能还需要随机种子、数据库的确切发布版本以及参考基因组组装版本。2016 年发布的FAIR数据原则强调,数据应当可发现、可访问、可互操作、可重用。“可访问”不一定意味着不受限制:敏感的人类数据可能需要获得授权才能访问。基准数据集和社区挑战有助于比较方法,但没有任何基准能够涵盖所有生物、平台或研究设计。因此,可靠的实践既要采用标准化评估,也要明确说明分析流程经过测试的具体条件。

临床转化、隐私与治理

临床生物信息学将分子数据与医学相关问题联系起来,涉及遗传性疾病、肿瘤、传染病和治疗反应等方面。临床测序需要建立一条证据链,涵盖样本身份确认、检测性能、计算处理直至结果解读。分析有效性关注检测能否准确测量其预期的分子靶标;临床有效性关注检测结果与某种疾病或健康状况之间的关系;临床实用性则关注检测在特定诊疗情境中产生的影响。某一层面表现出色,并不能证明其他层面同样成立。即使某个变异被精确检出,其生物学意义或临床意义仍可能不明确。

变异解读综合考虑人群频率、共分离情况、功能证据、预测的分子效应及其他相关信息。美国医学遗传学与基因组学学会和分子病理学协会于2015年发布了广泛使用的标准,用于对与孟德尔遗传病相关的序列变异进行分类。这些标准将变异分为致病、可能致病、意义不明确、可能良性和良性等类别。计算预测只是证据的组成部分,不能替代全面评估。对癌症体细胞变异的解读,还需考虑肿瘤类型、克隆性、拷贝数变化,以及将某种分子改变与特定临床情境联系起来的证据。

基因组信息带来了独特的数据隐私问题,因为这类信息可能用于识别个人身份、长期保持不变,并透露其生物学亲属的相关信息。当序列数据能够与其他记录关联时,删除姓名并不能保证匿名性。受控访问的数据存储库、身份认证、审计追踪、加密和数据使用协议,分别应对此类风险的不同方面。知情同意还必须考虑数据的再次使用,以及后续分析可能不同于原始研究的情况。联邦分析可以让计算任务在机构之间流转,而无须集中存储所有原始数据,但它并不会自动消除中间结果或模型输出带来的信息泄露风险。

数据的代表性与治理既影响科学可靠性,也影响获取和使用数据的机会。如果参考数据集集中于特定祖源群体,对代表性不足的人群进行变异解读时,其表现可能下降。基础设施和数据库参与程度的差异,也会影响哪些生物、地区和疾病能够得到充分研究。因此,数据治理不仅涉及技术安全,还包括数据管护、权限、社群参与以及正当的二次使用等问题。开放软件和共享标准有助于外部审查,而敏感记录可能需要受到访问限制。在决策后果重大的应用中,记录局限性、开展独立验证和进行权责明确的审查,始终是将计算输出转化为决策不可或缺的环节。