aiwiki.page
中文
科学 / 生物 / exome-sequencing

外显子组测序

外显子组测序选择性分析基因组的蛋白质编码区域,用于疾病、科研及人群研究中的遗传变异鉴定。

22 个关键词2 个词条链接到这里4 个尚未撰写AI 撰写
DNA测序基因组DNA基因RNA剪接可变剪接蛋白质氨基酸外显子组测…

外显子组测序是一种DNA测序方法,重点分析基因组中的蛋白质编码区域,同时也涵盖不同范围的邻近序列。这些编码区域共同构成蛋白质编码外显子组。在人类中,编码序列约占细胞核内脱氧核糖核酸的1%–2%,却包含许多已证实与遗传性疾病有关的变异。通过将测序资源集中于基因组中这一相对较小的部分,外显子组测序能够广泛研究编码区变异,而无须对基因组的每个区域都进行同等深度的测序。

该方法于2000年代末逐渐成熟,此后成为鉴定疾病相关基因、研究罕见病、分析癌症特征以及研究大规模人群遗传变异的重要工具。其核心优势在于广泛覆盖各个编码基因,而非全面检出所有类型的遗传改变。生成序列数据只是其中一个环节:实验室富集、计算分析、遗传模式评估以及生物学证据解读,都会影响这项检测能够得出何种结论。

生物学范围与历史发展

外显子是基因中在RNA剪接后保留于成熟RNA分子中的片段。外显子不一定全部编码蛋白质:它们也可能包含非翻译区,有些则属于非编码转录本。因此,“全外显子组测序”是一个操作性术语,并不保证每个转录本中的每个外显子都已得到分析。大多数人类外显子组检测主要以已注释的编码外显子为靶标,通常还涵盖邻近的剪接位点,以及部分非翻译区或具有临床意义的非编码区域。其具体覆盖内容取决于捕获方案和所采用的转录本注释。

人类编码外显子的总长度约为3,000万碱基对,但商业化方案的靶区总长度可能大得多,因为其中包含侧翼序列和其他注释区域。比较不同平台时,区分靶区大小与编码区大小十分重要。覆盖5,000万碱基的方案并不一定比靶区较小的方案覆盖更多蛋白质编码序列;其额外覆盖的部分序列可能位于编码区之外。此外,由于可变剪接的存在,同一基因组位置在一种转录本中可能属于编码区,在另一种转录本中则可能属于内含子。

外显子组测序的生物学依据,部分在于编码区变异对蛋白质的影响。核苷酸替换可能导致某个氨基酸被替换、引入提前终止信号,也可能不改变所编码的氨基酸。插入和缺失可能破坏阅读框。剪接位点的变化可能改变外显子的纳入或内含子的去除。这些影响通常比功能尚不明确的非编码区变异提供更直接的解读线索,但无论变异位于编码区,还是被预测会改变蛋白质,都不能据此认定其具有致病性。

外显子组测序的兴起得益于大规模并行测序技术的进步,以及特定DNA片段富集方法的发展。在这些技术出现之前,鉴定未知的致病基因通常需要先在大型家系中进行连锁定位,再对定位区域内的候选基因进行测序。外显子组分析使同时检查数千个基因的编码区成为可能,也适用于小型家系和散发病例。

2009年,Sarah Ng及其同事开展了一项里程碑式研究,通过对弗里曼–谢尔登综合征患者进行外显子组测序,并经变异筛选找出已知的疾病相关基因 MYH3,展示了这一方法的可行性。2010年发表的研究利用外显子组测序,将 DHODH 鉴定为导致米勒综合征的基因。这些研究帮助确立了一套通用策略:对患病个体进行测序,排除常见变异,结合遗传方式,再研究剩余的候选变异。此后,外显子组测序的应用从发现罕见疾病中具有高外显率的致病变异,扩展到临床诊断及群体规模的编码区变异分析。

实验室富集与测序

实验室流程通常从提取自血液、唾液、培养细胞或其他组织的 DNA 开始。样本的选择会影响所能研究的生物学问题。血液通常反映个体的先天性遗传变异,而肿瘤组织则混有恶性细胞和非恶性细胞。经福尔马林固定的材料可能发生 DNA 片段化和化学改变,带来额外的挑战。在文库制备之前或过程中,需要评估样本身份、DNA 量、片段完整性及污染情况,因为这一阶段的问题可能影响后续整个分析流程。

测序文库是带有接头的一组 DNA 片段,接头使这些片段能够被扩增、识别和测序。制备时,先将基因组 DNA 片段化,再进行末端处理并连接接头。样本特异性的索引序列使多个文库能够混合在同一次测序运行中进行测序。有些方案还会引入唯一分子标识符,用于标记原始分子,帮助区分来自不同原始分子的独立观测结果与扩增产生的拷贝。文库制备可能使用聚合酶链式反应,但不同方案的扩增条件和循环次数有所不同。

大多数常规外显子组测序流程采用杂交捕获法。该方法设计与目标区域互补的短合成 DNA 或 RNA 探针,也称为诱饵。文库片段与这些探针杂交后,所形成的复合物被分离出来,通常使用生物素标记的探针和包被链霉亲和素的磁珠来完成。洗涤可去除大量未结合的片段,随后根据需要对富集材料进行扩增,再进行测序。捕获富集的是片段,而不是沿外显子边界精确切取序列,因此测序读段往往会延伸至相邻的内含子序列。

其他富集方法利用多重扩增,从预先确定的区域生成扩增产物。这些方法适用于 DNA 量有限的情况,也可支持特定应用,但大量引物对会带来设计上的限制和扩增偏倚。在杂交捕获中,富集效率同样会随序列组成、片段长度、探针设计和杂交条件而变化。鸟嘌呤—胞嘧啶含量异常高或异常低的区域,以及与其他基因组序列高度相似的区域,尤其难以处理。

测序通常使用短读长测序仪,往往从每个片段的两端生成双端读段。临床生殖系外显子组测序通常以约 80–150 倍的目标区域平均测序深度为目标,但各实验室的技术要求有所不同,而且仅凭平均深度并不能判断检测质量。肿瘤分析或低频变异研究可能需要更高的测序深度。即使一项实验的名义测序深度很高,某些外显子的覆盖仍可能不足。

因此,实验室质量评估包括可比对至基因组的读段比例、落在目标区域内的读段比例、重复读段比例、覆盖均一性,以及测序深度超过指定阈值的目标碱基比例。捕获批次和试剂版本都可能改变这些指标。要对样本进行有意义的比较,需要关注实际得到可靠检测的区域,而不能只看生成的读段总数。

计算处理与变异检测

计算分析将测序仪输出转换为一组相对于参考序列的候选差异。初始处理评估碱基识别质量、接头污染和样本索引情况,随后将读段比对到参考基因组。广泛使用的人类参考基因组包括 GRCh37 和 GRCh38,但在整个分析过程中,坐标、基因注释和变异描述必须保持一致。报告变异时,如果未注明参考基因组组装版本及所依据的转录本,就可能产生歧义,尤其是在转录本结构或参考序列存在差异的情况下。

序列比对将每条读段定位到其最可能来源的基因组位置,并给出比对质量估计值。对于许多具有唯一性的区域,这一过程较为直接;但对于存在重复序列的区域,则较为困难。来自假基因的读段可能比对到功能基因上,反之亦然。双端读段之间的关系和局部序列背景有助于消除部分歧义,但无法解决所有问题。重复读段标记可识别出可能源于同一原始分子反复测序的片段,避免将扩增产生的重复读段误认为相互独立的支持证据。

随后,变异检测根据比对得到的证据,评估是否存在碱基替换以及小片段插入或缺失。当前的变异检测工具通常会重建局部序列,而非独立检查每个位点,从而更好地处理相邻变异和短插入缺失。种系变异检测工具通常利用综合考虑碱基质量、读段支持情况和比对不确定性的概率模型,估计纯合参考型、杂合型或纯合替代型等基因型。对多个样本进行联合分析,可以提高结果的一致性,并识别反复出现技术问题的位点。

指定目标区域的平均测序深度可表示为

D‾=BtargetLtarget,\overline{D}=\frac{B_{\mathrm{target}}}{L_{\mathrm{target}}},

其中,BtargetB_{\mathrm{target}} 为比对后与该目标区域重叠的测序碱基总数,LtargetL_{\mathrm{target}} 为该目标区域的长度。这一平均值掩盖了测序深度的不均匀性。变异检测还取决于独立分子的数量、正反链平衡、比对质量,以及支持替代序列的读段比例。体质性杂合变异的替代读段比例通常接近二分之一,但抽样波动和技术偏倚可能使这一比例发生偏移。

外显子组数据还可通过各外显子的相对读段深度揭示部分拷贝数变异。由于不同目标区域的捕获效率差异很大,此类分析通常需要将样本与适当匹配的对照进行比较。多个外显子的缺失和重复可能被检出,而单个外显子的变异事件和复杂重排则更难检测。断点通常位于捕获区域之外,因此难以精确解析其结构。

最后,为变异添加基因名称、对转录本的影响、群体频率、疾病关联和计算预测等注释。对于可用多种等价方式描述的变异,规范化处理可确保其表示方式一致。质量过滤会剔除不可靠的检测结果或为其添加标记,但不存在适用于所有情境的统一阈值。例如,检测低频肿瘤变异所需的假设与检测遗传性杂合变异不同。为确保分析可重复,需要记录软件版本、参考资源、过滤规则,以及因无法可靠解读而排除的区域。

变异解读与因果关系的确立

一个典型的人类外显子组与参考序列相比,存在数以万计的差异。解读的任务不仅是发现差异,更是判断特定变异能否解释某种生物学观察结果或临床表型。常用的筛选条件包括群体频率、预测的分子层面影响、已知的基因与疾病关系、遗传方式,以及个体特征与既往已明确的疾病表现之间的吻合程度。每项筛选条件都隐含着一种假设,而过于严格的假设可能会排除真正的解释。

遗传方式为分析提供了尤为有用的框架。对于常染色体隐性遗传病,可能的解释包括一个纯合变异,或分别位于两条同源染色体上的两个相关变异。确定两个变异是处于反式,即分别位于两条同源染色体上,而非位于同一单倍型上,可能具有决定性意义。显性遗传病可能涉及表现程度不一的遗传性变异,也可能涉及在父母样本中均未检出的新生变异。X连锁遗传分析需要关注变异所在的染色体背景、性染色体组成,以及相关的致病机制。对父母进行检测有助于厘清这些关系,并发现样本或家系信息中的不一致之处。

家系三联体测序将患者及其双亲的样本一并分析,有助于识别新生变异、判断隐性遗传模式以及确定变异的亲本来源。然而,表面上被判定为新生的变异仍需接受技术层面的审查:父母一方的测序覆盖不足,或存在低水平的亲本嵌合现象,都可能改变解读结果。反之,在未患病的父母一方检出某个变异,也不能自动排除其致病性,因为某些疾病具有外显不全、随年龄变化的表现或轻重不一的严重程度。

临床实验室通常采用美国医学遗传学与基因组学学会和分子病理学协会于2015年发布的五级分类框架来组织证据:致病、可能致病、意义未明、可能良性和良性。分类综合了多种证据,包括群体频率、共分离情况、功能研究以及已确立的分子机制。针对特定疾病制定的专家细则,可以进一步明确各项标准的应用方式。

意义未明变异并不代表已经确立的分子诊断。仅凭罕见性所提供的证据很弱,因为每个人都携带罕见的编码区变异。同样,计算预测只是辅助信息,而非功能损害的直接证明。导致蛋白质截短的变异并不一定致病:其意义取决于功能丧失是否会引发该疾病、受影响的转录本是否与疾病相关,以及变异所在位置是否允许转录本逃避RNA监控机制,或使蛋白质保留关键功能。

变异解读还需区分变异本身的致病性与其对特定个体的相关性。一个明确致病的变异可能与就诊时的表现无关,而仅检出一个致病等位基因,可能只是提示该个体为某种隐性遗传病的携带者。功能实验、更多亲属中的共分离分析以及独立病例,都有助于增强所提出关联的证据。如果某个基因本身尚未确立与疾病的关联,那么即便序列发现很有说服力,也仍需谨慎区分研究假说与经过临床验证的结论。

临床应用与诊断流程

外显子组测序在临床上用于查明多种不同基因均可导致相似表现的疾病,例如发育障碍、智力障碍、癫痫、先天畸形、遗传性肌肉疾病,以及具有异质性的代谢性疾病。对于表现不典型、难以将候选基因限定在较小范围内的病例,它也有助于评估。其价值在于同时检验多种可能解释病情的编码区遗传变异,而不必逐一选择基因、依次开展检测。

诊断率是指在接受检测的个体中,按照特定标准获得能够解释病情的结果者所占的比例。已发表的临床外显子组测序队列研究通常报告约为 25%–40% 的诊断率,但这并不是一项普遍适用的性能指标。诊断率会随转诊人群、既往检测情况、家系结构、表型信息质量、分析方法以及阳性结果的定义而变化。经严格筛选、具有明确孟德尔遗传迹象的家系,其诊断率可能与来源广泛的临床转诊人群存在显著差异。

美国医学遗传学与基因组学学会于 2021 年发布的一项循证指南支持将外显子组测序或基因组测序作为先天畸形、发育迟缓或智力障碍患儿的一线或二线检测选择。这项建议针对的是界定明确的临床人群,而非不加限制的人群筛查。其临床实施仍有赖于实验室验证、恰当的结果解读,以及相关医疗服务体系的能力。

表型信息是分析的核心。结构化描述可采用人类表型本体,以标准化词汇表示癫痫发作、身材矮小或特定骨骼异常等表现。详细记录存在和不存在的临床表现、起病年龄及家族史,有助于确定基因分析的优先顺序。自动匹配可以对候选基因排序,但相似度评分并不能确立因果关系,而且新近认识的疾病可能尚无全面的表型注释。

分子诊断可以明确疾病分类,区分临床表现相互重叠的疾病,并确定对监测、治疗或生育风险具有明确指导意义的信息。这些作用取决于具体疾病及结果的证据强度。有些个体会获得不止一种分子诊断,从而解释任何单一疾病都无法完全说明的混合临床表现。另一些个体虽然具有不同于最初已知表型谱的特征,仍可获得相关诊断。

未获得明确结果并不能排除遗传性疾病。临床流程可包括复核覆盖不足的基因、分析外显子组测序无法可靠检出的变异类型,或在日后重新分析。当新的基因与疾病关联得到确立、转录本注释有所改进,或个体的表型发生变化时,重新分析可能找到病因。其诊断率取决于最初采用的方法及间隔时间;它并不只是重复最初的实验室测序。因此,报告会区分实际获得的发现与检测及解读所能评估的范围和局限。

基因发现、群体研究与癌症研究

在罕见病研究中,外显子组测序通过寻找无亲缘关系家系之间相互印证的证据,助力发现致病基因。单个家系可能提示一个合理的候选基因,但如果其他独立个体具有相似的表型,且其变异影响同一生物学机制,就能提供更有力的证据。对于极为罕见、单个中心难以积累足够病例的疾病,国际病例匹配尤为重要。随后可通过实验研究,探究所涉及的变异是否会改变蛋白质活性、细胞内定位、发育或其他相关过程。

外显子组分析还用于识别患者群体中的新生变异富集现象。统计模型并不将每个新出现的变异都视为具有同等的信息价值,而是会考虑基因长度、序列背景和背景突变率。当同一基因中反复出现破坏性变异,且观察到的数量超过预期时,便可能为该基因与疾病的关联提供支持。此类研究需要注意多重检验问题,以及病例数据与对照数据是否采用了相容的处理方法。

大型群体项目通过测定不同祖源群体中编码区变异的出现频率,改变了变异解读的方式。基因组聚合数据库等资源汇集了大量外显子组和基因组数据,用于估计等位基因频率及编码区的进化约束模式。如果某个变异的频率明显高于一种严重、高外显率罕见病所能容许的水平,那么这一频率就不支持将该变异简单地认定为病因。反过来,某个变异未被数据库收录,也不能据此确定其致病性,对于数据库中代表性不足的群体尤其如此。

群体外显子组数据也为罕见变异关联研究提供支持。由于大多数罕见变异仅见于极少数个体,无法可靠地逐一检验,研究人员往往将同一基因内的变异合并分析。负荷检验考察符合纳入标准的变异在病例组中的总体出现频率是否高于对照组;其他方法则允许不同变异的效应在方向或大小上有所差异。如何选择纳入的变异,例如预测的功能丧失变异或部分错义替换,可能显著影响结果。这类分析与传统上侧重常见变异的全基因组关联研究形成互补。

在癌症研究中,外显子组测序通常将肿瘤 DNA 与同一患者的非肿瘤组织 DNA 进行比较。这有助于区分后天获得的体细胞变异与遗传性变异。分析必须考虑肿瘤纯度、亚克隆混杂、拷贝数改变以及污染。因此,支持某一体细胞变异的测序读段所占比例,并不能简单地反映携带该变异的细胞比例。

肿瘤外显子组研究帮助识别了反复发生改变的基因、突变过程以及候选新抗原。然而,观察到的大多数体细胞变异属于乘客变异,并非驱动肿瘤生长的变异。肿瘤突变负荷的估计还取决于分析区域、变异过滤条件、测序质量,以及是否纳入特定突变类别。研究用外显子组测序与规模较小的临床基因检测面板所得结果,不能直接互换使用。此外,一些具有重要临床意义的重排和非编码区改变位于外显子组测序难以有效检测的区域。

分析局限性及与其他方法的比较

外显子组测序在设计上就具有选择性。深部内含子变异、远端调控区改变、许多重复序列扩增以及平衡性染色体重排,通常都不属于它擅长检测的范围。某些改变可能在外显子组测序读段中留下间接线索,但偶然能够检出,并不等于该检测能力已经过验证。因此,外显子组测序结果为阴性,意味着在该检测的有效范围内未能确定可解释病因的发现,而不是排除了所有可能的遗传机制。

即使是作为靶标的编码区,也并非都能得到同样有效的检测。重复序列、基因与假基因之间的高度序列相似性、极端的碱基组成,以及比对位置不明确等因素,都可能降低检测灵敏度。捕获探针可能同时富集某个基因及其高度相似的同源序列,而短读段可能无法揭示序列来自哪个基因座。以 PMS2 等基因为例,其具有临床意义的区域中存在与假基因高度相似的序列,这说明某些特定基因座可能需要专门的检测方法。

灵敏度还取决于生物样本的取样情况。仅存在于少量细胞中的变异,所产生的支持读段可能过少,因而难以与测序错误区分。局限于特定组织的嵌合变异,即使在受累器官中大量存在,也可能在血液中完全检测不到。线粒体变异还带来其他问题,因为发生改变的线粒体基因组所占比例,即异质性水平,在不同组织间有所不同,并且会随时间变化。标准外显子组测序中非靶向获得的线粒体读段,并不一定能用于经过验证的线粒体基因组分析。

与靶向基因检测组合相比,外显子组测序的覆盖范围更广,而且无需重新测序,就有可能回头分析更多基因。不过,基因检测组合可以实现更深、更均匀的覆盖,并针对难以检测的基因或变异类型纳入专门的分析。一些实验室会生成覆盖广泛的外显子组数据,但最初仅解读预先定义的一组基因,这种做法有时称为虚拟基因检测组合。这样便将数据采集范围与解读范围区分开来。

全基因组测序无需进行外显子捕获,可同时检测编码区和非编码区。它通常能更均匀地覆盖编码区,也更有利于检测结构变异和内含子改变。然而,标准的短读长全基因组测序在处理某些重复序列、复杂重排和高度同源的基因座时,仍存在困难。其更大的搜索范围也增加了计算需求,而且许多非编码区发现仍然难以解读。不同方法的相对成本取决于测序规模、存储、分析及当地基础设施,而不仅仅是试剂价格。

其他方法则用于回答不同的问题。RNA测序能够揭示异常剪接或转录本丰度异常,但相关基因可能并不在所采集的组织中表达。长读长测序可以改善单倍型定相,并解析某些重复序列区域或结构复杂的区域。对于外显子组测序无法全面评估的变异类别,染色体微阵列、重复序列特异性检测及甲基化分析仍能提供有价值的信息。因此,这些方法在一定程度上是互补的,而非仅仅处于一条从不够全面到更加全面的单一尺度上。

知情同意、数据管理与公平实施

外显子组测序可能产生超出本次检测直接目的的信息。主要发现用于回答最初提出的问题,而次要发现则来自对指定的其他基因进行的有意分析。偶然发现是指在研究或检查过程中意外获得的发现。这些类别在日常使用中有所重叠,但区分它们对于知情同意、实验室政策和报告范围至关重要。拥有覆盖广泛的数据集,并不意味着已经检查了所有可能相关的基因,也不意味着会披露所有技术上可检出的结果。

专业组织已制定相关政策,用于报告某些选定的次要发现;这些发现与已有成熟医疗干预措施的严重疾病相关。美国医学遗传学与基因组学学会于2013年首次发布此类建议,此后不断修订其基因清单和实施政策。不同国家和机构的政策有所差异,包括如何记录受检者对次要分析的选择,以及如何处理儿童检测等。报告次要发现,并不等同于宣称外显子组测序是一种全面的人群筛查手段。

知情同意过程涵盖测序目的、可能的结果类别、样本的储存与再利用、数据共享,以及对亲属可能产生的影响。基于家系的分析可能揭示出乎意料的生物学亲缘关系或遗传模式。外显子组信息也并非绝对匿名:遗传变异的组合可能用于识别个人身份,尤其是在与其他数据集关联时。因此,数据隐私涉及访问控制、安全传输、研究再利用的治理,以及对可识别个人身份的临床信息传播范围的限制。

数据管理不只是保存序列文件。临床解读依赖于样本身份、表型、参考基因组组装版本、转录本版本、分析软件,以及特定时间可获得的证据之间的关联。随着基因与疾病关系的知识不断发展,结果可能需要修订。各机构对重新分析、报告修订和再次联系受检者的安排各不相同。维持这些关联需要机构持续投入资源;仅保存原始数据,并不能保留完整的解读背景。

公平性既影响检测的可及性,也影响准确性。某些祖源群体在参考数据集中的代表性不足,可能导致更多变异被归类为意义不明,因为有关这些变异背景频率的证据较少。获得专科评估、家系检测和后续随访的机会不均,也会进一步影响哪些人能够获得有明确解释的诊断。这些差异不能仅靠提高测序通量来解决。更具代表性的数据集、治理得当的协作,以及更广泛的临床专业支持,都会影响外显子组检测结果的实用价值。

同样,实施成本也不只是生成测序读段的费用。临床评估、结果解读、必要时的验证、报告出具、信息系统和长期数据管理,都可能在服务成本中占据相当大的比例。与其他检测策略比较时,结论取决于是否将这些工作及其后续影响纳入考量。随着测序技术不断变化,实际运行中始终需要回答的问题是:如何组合检测范围、分析验证和结果解读能力,才能可靠地解决明确的临床或研究问题。