基因组学研究完整的基因组,即生物体、细胞或病毒等生物实体所含的遗传物质。它考察基因组的序列、组织方式和变异,以及基因组所支持的生物活动和它与生物性状及环境的关系。遗传学可以研究单个基因或某种遗传模式,而基因组学通常将许多基因及其他基因组元件放在一起考察,并且往往涉及大量样本。两者的区别在于研究方法,并非绝对的界限;现代遗传学与基因组学有着广泛的交集。
这一领域将实验生物学与计算机科学、统计学及大规模数据分析相结合。DNA测序技术的进步,使基因组不再只是能够间接绘制图谱的研究对象,而成为可以测定、比较并通过实验探究的序列。如今,基因组学为演化、发育、疾病、农业和微生物生态学研究提供了重要依据。其核心挑战包括:确定序列差异如何影响生物功能,准确呈现基因组的多样性,以及在解读基因组信息时,避免将复杂的生物体或人类特征简单归结为DNA。
基因组的组织与基因组研究的范围
基因组并不只是蛋白质编码基因的集合。在细胞生物中,基因组由脱氧核糖核酸构成,其中包含编码序列、调控区域、结构元件,以及具有多种功能或功能尚未完全明确的序列。有些病毒的基因组则由RNA构成。基因组研究的对象可以是一个完整的生物体、一个细胞谱系、一个细胞器,也可以是从环境中采集的多种生物的混合样本。研究所针对的生物学单位,决定了哪些遗传物质应被视为相关基因组,以及应当如何解读其序列。
细菌和古菌的基因组通常包含一条主染色体,有时还包含其他染色体或质粒。许多细菌的基因组含有数百万个碱基对,但不同基因组的大小差异很大。在真核生物中,大部分 DNA 位于细胞核内的线性染色体上,而线粒体以及植物和藻类中的叶绿体也各自含有基因组。细胞器基因组在遗传方式、拷贝数和演化历史上均不同于核基因组。因此,仅凭核基因组的组装结果,并不能描述细胞内所有遗传区室的遗传信息。
人类单倍体核基因组约含 31 亿个碱基对,以及约 2 万个蛋白质编码基因,具体数目取决于注释标准。蛋白质编码外显子仅占这些序列的一小部分,约为 1%—2%。其余区域包括内含子、产生功能性非编码 RNA 的基因、重复 DNA 和调控元件。转座元件及其残留序列在许多真核生物基因组中占据相当大的比例。因此,基因组大小与生物体的复杂程度或蛋白质编码基因的数量之间,并不存在简单的比例关系。
基因组学中的一个核心区分,是序列内容与生物学活性之间的区分。某一区域可能被转录、与蛋白质结合,或带有化学修饰,但这并不意味着其中每一个核苷酸都是维持生物体适合度所必需的。生化活性证据、演化约束证据和经实验证实的功能证据,分别回答不同的问题。基因组学也区分受精时继承的基因组与发育和衰老过程中后天产生的变化。嵌合现象意味着同一个体内的细胞可能携带不同的序列,因此,“一个个体的基因组”是一种有用的近似概念,而不是指每个细胞中都存在一套完全相同的序列。
历史发展与重大基因组计划
基因组学源于分子遗传学、染色体作图以及核酸测序方法的发展。1977年,弗雷德里克·桑格及其同事发表了噬菌体φX174的完整序列,其中包含5,386个DNA碱基。同一时期,桑格以及艾伦·马克萨姆和沃尔特·吉尔伯特分别推出了影响深远的测序方法。早期基因组计划在技术上面临诸多挑战,但它们证明了重建完整遗传系统的可行性,使研究不再局限于单个基因。
“基因组学”(genomics)一词由托马斯·罗德里克于1986年提出,《基因组学》(Genomics)期刊于1987年创刊。该领域最初侧重于遗传图谱和物理图谱的绘制、自动化测序,以及能够整理日益庞大数据集的数据库建设。1995年,流感嗜血杆菌(Haemophilus influenzae)的基因组成为首个公开发表的自由生活生物完整基因组。随后,酿酒酵母(Saccharomyces cerevisiae)的基因组于1996年公布,成为首个完成核基因组全序列测定的真核生物。这些计划还展示了如何利用序列信息指导基因功能的系统性实验研究。
人类基因组计划于1990年启动,是一项旨在绘制人类基因组图谱并测定其序列的国际合作计划。公共研究联盟和私人资助的塞雷拉团队于2001年分别发表了基因组草图的分析结果。该计划于2003年宣布完成,但重复序列区域和结构复杂区域仍未得到解析。由此建立的参考基因组为基因定位、变异解读和实验数据集比较提供了坐标系统,从根本上改变了生物医学研究。迅速公开序列数据的做法,也成为大型生物学合作项目广泛借鉴的范例。
后续工作进一步提升了基因组的完整性和代表性。2022年,端粒到端粒联盟公布了CHM13细胞系常染色体及X染色体基本无缺口的组装序列;完整的Y染色体序列则于2023年另行公布。同样在2023年,人类泛基因组参考联盟发表了一份参考基因组草图,纳入了来自47名个体、已完成单倍型分相的组装序列。这些工作分别针对不同的局限:染色体内部尚未解析的序列,以及对人类遗传多样性代表不足的问题。与此同时,针对动物、植物、真菌和微生物开展的测序项目,使基因组学成为一门覆盖生物界的学科,而不再主要以人类为研究中心。
测序技术与实验设计
基因组测序将分子材料转化为测量数据,再据此推断核苷酸序列。典型实验包括样本采集、核酸提取、文库制备、测序和计算处理。每个阶段都可能引入偏倚。DNA 降解可能导致短片段在样本中占比偏高;扩增可能使不同序列的相对丰度失真;污染则可能引入非目标生物的 DNA。因此,实验设计应从生物学问题出发,而不只是选择仪器。
桑格测序通过链终止法读取单个 DNA 模板,至今仍适用于针对性分析。现代下一代测序平台能够并行生成大量读段。广泛使用的短读长系统通过反复进行核苷酸掺入循环来确定序列,产生大量准确的序列片段。这类系统能够有效检测许多小型变异并测量序列丰度,但几百个碱基长的读段往往无法跨越较长的重复序列或复杂重排区域,因而难以得到唯一明确的解析结果。双端测序通过读取同一 DNA 片段的两端,有助于改善结果解析。
长读长测序能够连续读取单个分子上数千至数万个碱基的序列,部分技术的读取长度还要长得多,从而克服上述部分局限。Pacific Biosciences 的环形一致性测序反复读取同一个分子,以生成高度准确的一致性读段。牛津纳米孔测序则根据核酸穿过纳米孔时引起的电流变化来推断序列。长读段能够解析重复区域、识别结构变化,并确定同一条染色体上不同变异之间的关联。其表现取决于测序化学体系、样本质量、碱基识别软件及预期开展的分析;没有任何一种平台能在所有用途上都达到最优。
测序深度描述对基因组进行采样的充分程度。其简单平均值为
其中, 为读段数, 为读段的平均长度, 为基因组长度。平均深度并不保证覆盖均匀:富含 GC 的区域、重复序列以及样本制备过程都可能造成系统性的覆盖缺口。全基因组测序旨在对整个基因组进行采样,而外显子组测序主要富集蛋白质编码外显子,靶向测序面板则检测选定区域。这些方法在成本、覆盖范围和结果的可解释性方面各有不同。与检测常见的遗传性变异相比,检测仅存在于少数细胞中的变异通常需要灵敏度更高的采样;而组装复杂基因组时,除了测序深度,还必须关注读长和长距离信息。
组装、参考基因组与计算基础设施
基因组组装是根据测序读段重建较长序列的过程。在参考基因组引导的分析中,读段被比对到已有的参考基因组上。在从头组装(de novo assembly)中,则利用读段之间的序列关系构建基因组,无须依赖已有的参考基因组。短读长组装工具通常使用基于相互重叠的序列片段构建的图,而许多长读长方法则利用较长分子之间的重叠关系。重复序列会造成歧义,因为相同或近乎相同的序列可能出现在基因组的多个位置。
组装过程先形成连续序列,即重叠群(contig),再进一步构建支架序列(scaffold),其排列顺序和方向可由额外证据支持。长读段、物理图谱和染色体构象测量可以将相距较远的区域连接起来。组装质量包含多个维度:序列准确性、连续性、完整性、结构组织的正确性,以及不同染色体拷贝的区分程度。广泛使用的 N50 统计量衡量的是连续性,却无法证明组装的正确性。连续性很高的组装结果仍可能存在错误连接、重复序列塌缩、污染或序列缺失。
二倍体和多倍体基因组还带来了额外挑战。将不同染色体拷贝之间的差异合并为一条共有序列,可能会掩盖具有重要生物学意义的变异。单倍型是同一条染色体上共同携带的一组变异,而分相组装旨在重建这些染色体特异的序列。亲子数据、长读段及其他长距离测量数据可辅助分相。在高度杂合或多倍体生物中,区分同源染色体与重复的基因组区域尤其困难。
泛基因组呈现多个个体或菌株之间的序列多样性,而不是将单一线性序列视为完整的标准。基于图的表示方式可以编码替代序列和不同的结构排列,从而有望减少参考偏倚。采用这类表示方式也需要新的比对方法、坐标体系和互操作性标准。由于现有注释和临床报告系统依赖线性参考基因组,后者仍被广泛使用。
生物信息学提供了连接这些资源的计算框架。标准文件格式用于存储读段、比对结果、变异和注释;数据存储库则保存原始数据及处理后的数据。基因组注释利用序列证据和实验来识别基因、转录本、调控区域、重复序列及其他特征。注释会随着知识的更新而修订,因此,报告结果时应注明所用参考基因组组装、注释版本和分析流程。可复现的工作流程、来源与处理记录、基准样本以及软件版本管理至关重要,因为不同的计算选择可能会从同一组读段中得出不同的生物学结论。
基因组变异及其测量
基因组变异的尺度可小至单个碱基,大至整套染色体。突变指遗传物质的改变,而“变异”通常指观察到的序列差异,并不暗示其产生时间或是否有害。等位基因是基因组某一位置或区域的一种替代形式。常见的研究对象包括单核苷酸变异、小片段插入和缺失、重复序列长度变化,以及较大规模的结构改变。这些变异的频率和生物学效应因群体、组织和环境而异。
结构变异包括缺失、插入、倒位、重复和重排,在实际研究中通常将其界定为影响至少约50个碱基对的变异。拷贝数变异会改变某段基因组序列的拷贝数量。更大尺度的改变包括非整倍性,即染色体数目偏离预期的整套染色体数,以及全基因组加倍。这些类别在形成机制上存在重叠:DNA修复异常、重复序列之间的重组以及复制错误,都可能产生多种不同类型的变异。
变异检测是一个推断过程,而非对仪器输出的直接转录。算法会综合评估测序读段的比对结果、碱基质量、局部序列背景,以及预期的遗传模式或等位基因比例。短读段在重复序列附近可能发生错误比对,而覆盖深度不足可能使杂合变异看似不存在。结构变异可通过读段深度变化、分段比对、成对读段间距异常,或直接比较组装后的序列来检测。结合多种方法可以提高灵敏度,但平台和分析流程之间的差异会增加比较的难度。
区分生殖系变异和体细胞变异至关重要。生殖系变异可通过生殖细胞遗传;体细胞变异则发生于其他细胞谱系中,可能仅存在于特定组织。因此,血液样本无法揭示脑、皮肤或肿瘤中存在的所有变异。即使是遗传而来的变异,其后果也可能因另一个等位基因、基因组背景、年龄和环境而有所不同。
描述某个变异的功能后果需要额外的证据。序列改变可能改变蛋白质序列、干扰RNA剪接、改变调控元件,也可能在所考察的条件下没有可检测到的影响。基于保守性或分子模型的预测能够提供证据,但不能给出确定结论。变异在群体数据集中的频率具有参考价值,但这些数据集在群体代表性和技术质量上存在差异。准确的解读需要区分不同层次的结论:观察到某段序列与参考序列不同,并不等同于证明它会改变分子功能、影响某种性状或导致疾病。
功能基因组学与基因功能解读
功能基因组学研究基因组元件如何发挥作用、相互作用,以及如何参与生物学过程。它不再局限于编目整理序列,而是进一步测量其活性,并通过实验检验其作用后果。核心问题包括:特定细胞中哪些基因处于活跃状态,刺激后这些基因的活性如何变化,以及哪些基因组元件是某种表型所必需的。回答这些问题需要相互补充的观察和实验方法,因为仅凭序列相似性,通常不足以完整确定其生物学作用。
转录组学测量样本中的RNA群体。RNA测序能够识别已表达的基因、估计转录本丰度、揭示不同的转录本形式,并检测某些基因融合。观测到的RNA群体同时反映了RNA的合成与降解,因此RNA丰度并不是对转录速率的直接测量。分析结果还取决于文库设计:有些方法富集带有多聚腺苷酸尾的RNA,另一些则捕获更广泛的RNA分子。短读长可能无法区分高度相似的转录本异构体,而长读长RNA测序方法能够解析更完整的转录本结构。
RNA测量结果并不能直接说明蛋白质的丰度或活性。从RNA分子到其功能效应之间,还受到翻译效率、蛋白质降解、细胞内定位和化学修饰等因素的影响。因此,将RNA测量与蛋白质组学、代谢物测量及细胞成像相结合,能够提供更完整的图景。例如,如果底物、辅因子或其他反应构成了限制因素,某种代谢酶的表达增加并不一定会提高代谢途径的通量。功能解读往往需要有关代谢和分子相互作用的知识。
扰动实验能够为因果关系提供更有力的证据。基因删除、RNA干扰以及基于成簇规律间隔短回文重复序列(CRISPR)的筛选,可以识别出那些受到破坏后会改变细胞存活、分化或其他可测量结果的基因。CRISPR干扰和激活技术能够改变基因表达,而不一定需要切割靶DNA。混合筛选将大量扰动与选定的表型联系起来,而阵列式实验则能保留针对单个扰动的更详细测量数据。解读结果时,必须考虑扰动不完全、脱靶效应,以及所用的具体细胞类型或生长条件。
调控实验研究启动子(生物学)、增强子(生物学)以及结合位点的组合。报告基因测定用于检验某段序列能否改变实验构建体中的表达,但测定结果可能不同于该序列在原有染色体环境中的效应。大规模扰动和报告基因研究表明,调控效应往往具有细胞类型特异性,并由多种因素组合产生。因此,要对功能作出有说服力的解释,就需要综合考虑位置、分子活性、实验扰动以及具有生物学意义的表型,而不能仅依赖单一测定。
表观基因组学与基因组的三维组织
表观基因组学在全基因组范围内绘制与基因组调控相关的分子特征图谱。其研究对象包括DNA甲基化、组蛋白修饰、染色质可及性以及染色体组织的某些方面。这些测量有助于解释DNA序列基本相同的细胞如何维持不同的细胞身份。表观遗传学一词有多种用法,其中包括细胞状态经由细胞分裂而传承;表观基因组检测所测量的特征并不一定都具有稳定性或可遗传性。
在哺乳动物基因组中,DNA甲基化通常发生在CpG二核苷酸中的胞嘧啶上。它与基因活性的关系取决于其在基因组中的位置及周围环境:启动子甲基化可伴随转录抑制,而基因体内的甲基化则与其他现象相关。基于亚硫酸氢盐处理的测序方法可检测未发生化学转化的胞嘧啶,但其常规方案无法区分所有形式的修饰胞嘧啶。其他化学方法、酶法以及一些直接测序方法可提供互补信息。
DNA与组蛋白共同组装成核小体,并进一步形成更高层次的染色质结构。ATAC-seq等检测方法可识别酶能够接近的区域,往往能揭示候选调控元件。染色质免疫沉淀后测序及相关方法可绘制与DNA结合的蛋白质或相关组蛋白修饰的分布图谱。这类数据集中的峰表示在特定检测和分析条件下出现的富集;仅凭这一点,不能证明该区域调控距离最近的基因,也不能证明它是转录所必需的。
包括Hi-C在内的染色体构象检测方法,用于测量在细胞群体中不同基因组区域彼此相邻的频率。这些数据可揭示大尺度的区室、内部接触较为频繁的结构域,以及调控元件与启动子之间的某些相互作用。空间上的接近可为调控假说提供支持,但接触频率并不等同于功能性的调控联系。基因组的组织方式也会随细胞类型、细胞周期阶段和实验分辨率而变化。
表观基因组差异可能是生物学状态的成因、结果,也可能只是与之相关。例如,与疾病相关的甲基化差异,可能反映的是细胞组成发生了改变,而非某一固定细胞群体内部的变化。环境暴露和衰老可能与表观基因组模式相关,但这种相关性并不能确定效应的方向或作用机制。对于跨代遗传的论断,需要格外谨慎,因为DNA序列、共同环境以及发育中的生殖细胞受到直接暴露,都可能产生类似的观察结果。将表观基因组数据与遗传变异及靶向扰动实验相结合,有助于区分这些可能性。
单细胞与空间基因组学
单细胞基因组学研究单个细胞之间的分子差异,而不是对整个组织进行平均测量。群体水平的测量可能掩盖稀有细胞群、方向相反的反应,或多种发育状态的混杂。单细胞研究方法包括 DNA 测序、RNA 表达谱分析、染色质可及性测定,以及在同一细胞中测量多个分子层面的方法。这些方法在刻画复杂组织、追踪发育过程以及研究肿瘤细胞多样性方面产生了尤为重要的影响。
许多单细胞 RNA 分析方法会添加分子条形码,以标识 RNA 来自哪个细胞。唯一分子标识符有助于区分不同的起始分子与扩增过程中产生的拷贝。随后便可并行分析数千乃至数百万个细胞。然而,通常只能捕获每个细胞中一部分 RNA。因此,所得数据集十分稀疏,未检测到某种转录本并不能证明相应基因没有活性。双细胞混入、环境中的游离 RNA、细胞损伤以及组织解离诱发的反应,也是误差的来源。
计算分析通常包括质量筛选、归一化、特征选择、降维和聚类。研究人员利用标志基因、参考数据集以及独立的生物学知识,对细胞群进行注释。聚类结果在一定程度上取决于分析方法的选择,不一定对应界限分明的天然细胞类型。将细胞沿推断的发育轨迹排列的方法,估计的是所观测到的分子状态之间的关系,并非直接观察某个细胞随时间发生的变化。谱系追踪、时间序列采样和实验扰动可以为判断发育方向提供更有力的证据。
空间转录组学保留 RNA 分子或表达这些 RNA 的细胞在组织中的位置信息。有些方法在带有空间索引的表面上捕获 RNA;另一些方法则通过多轮成像和探针杂交来识别分子。不同方法在转录本覆盖范围、空间分辨率、灵敏度以及对保存组织的适用性方面各有差异。一个测量位点可能包含一个细胞、一个细胞的一部分,或多个细胞,因此必须区分空间分辨率与真正的单细胞识别能力。
结合空间测量与单细胞测量,可以将细胞的分子身份与组织结构联系起来。在肿瘤中,这可能揭示与特定免疫细胞群或基质细胞群相邻的不同恶性细胞状态;在神经系统中,则可以将转录特征所界定的细胞类别与解剖结构联系起来。不过,相邻细胞未必存在直接通信,而推断出的配体—受体关系仍需功能验证。大型细胞图谱提供了宝贵的参考图,但它们反映的是所采样的个体、条件和所用方法,而不是所有可能细胞状态的最终清单。
比较基因组学与演化历史重建
比较基因组学研究不同基因组之间的异同,以重建演化历史并识别具有重要生物学意义的序列。亲缘关系较近的物种能够揭示近期发生的变化,而亲缘关系较远的物种间比较则能揭示在漫长演化历程中高度保守的特征。适宜的演化尺度取决于研究问题:某个调控元件可能在哺乳动物之间仍可辨识,却无法在所有动物中辨识;而翻译过程的核心机制则在更广泛的生物类群中保持保守。
开展比较时,需要区分不同形式的基因同源关系。直系同源基因因物种分化而发生分歧,旁系同源基因则由基因重复产生。这一区分十分重要,因为重复产生的基因可能获得不同的功能,也可能分别承担祖先基因功能的一部分。仅凭序列相似性不足以确立一一对应的关系,在大型基因家族中尤其如此。基因树、物种树、基因组邻域和结构域组成可以提供相互补充的证据。染色体上基因的排列顺序通常以共线性来描述,即使单个序列已经发生分化,这种排列仍可能保留基因间关系的线索。
演化约束有助于识别功能性序列。如果某一区域中的变异被自然选择淘汰,该区域积累替换的速度就可能低于适当的中性参照序列。蛋白质编码序列的分析通常会比较同义变化与非同义变化,但对结果的解释取决于模型假设、序列比对和演化时间尺度。序列保守是受到约束的证据,却不能完整解释其功能;反过来,新近演化出的功能元件在亲缘关系较远的物种间可能几乎不表现出保守性。
基因组还记录了重复、重排、基因丢失和水平基因转移。最后一种过程在微生物演化中尤为重要,基因可以通过质粒、病毒及其他机制在不同谱系之间转移。因此,同一生物体内的不同基因可能具有不同的演化历史。全基因组重复曾多次塑造植物和动物的演化,产生额外的遗传物质,而这些遗传物质随后可能丢失、保留或发生分化。
基因组数据为重建亲缘关系提供了大量相互独立的区域,从而使系统发育学发生了变革。然而,更多的序列并不能消除所有不确定性。不完全谱系分选、杂交、采样偏倚和模型设定不当,都可能导致不同基因所反映的演化历史彼此不一致。古DNA提供了对过去种群的直接观察,同时也带来了降解、污染和化学损伤等问题。因此,比较基因组学最有力的应用,是将演化模型、序列质量和生物学背景结合起来评估,而不是将相似性简单视为演化进步的衡量标准。
群体基因组学与复杂性状
群体基因组学将全基因组数据应用于群体遗传学,研究遗传变异的分布,以及变异如何在突变、选择、遗传漂变、迁移和重组的作用下发生变化。它可以估计亲缘关系,重建群体历史的某些方面,并识别变异模式异常的区域。由于不同的群体动态过程和选择过程可能产生相似的模式,有关历史的结论需要以明确的模型为依据,并比较各种可能的解释。
位置相近的变异位点往往在统计上相关,这种关系称为连锁不平衡。重组会使这些关联随世代更替而逐渐瓦解,但关联的程度和范围在不同基因组区域和群体之间有所差异。这种结构使已测定的变异位点可以充当尚未测定的因果变异位点的标记。同时,它也限制了结果的解释:某一位置存在很强的关联,并不一定意味着该位置本身会改变生物学功能。精细定位尝试利用统计证据、多样化的样本和功能信息,在彼此相关的候选变异中加以辨别。
全基因组关联研究检验变异是否与测得的性状或疾病相关。大多数常见的复杂性状涉及许多基因组区域,每个区域的效应通常都很小,同时还受到环境和发育因素的影响。扩大样本量可以提高统计功效,但必须谨慎控制群体结构、亲缘关系、测量质量及多重检验带来的影响。在人类常见变异研究中,常用的显著性阈值为 ,不过适当的阈值取决于具体分析。
多基因评分将许多变异位点的估计效应合并起来。其简化形式为
其中, 表示某个个体在变异位点 上的等位基因计数, 是估计的效应权重。这种评分概括的是基于特定数据训练得到的特定统计模型。其预测表现可能随群体、年龄、环境以及结局指标定义的不同而变化。它既不是对个体生物学特征的全面衡量,也不是对疾病必然发生的预言。
对群体标签需要谨慎解读。遗传祖源描述的是根据基因组数据和参考样本推断出的关系,不能与国籍、族裔或社会定义的种族混为一谈。人类遗传变异具有地理结构,但也受到广泛的共同祖源和基因流动的塑造。采样不均衡可能使等位基因频率估计产生偏差,并降低关联结果对其他群体的适用性。扩大参与范围有助于科学研究更充分地反映遗传变异,但有意义的包容还涉及研究治理、结果解读以及研究收益的分配。
临床基因组学与遗传性疾病
临床基因组学利用基因组尺度的检测来研究疾病、辅助诊断,并描述具有医学意义的变异。其应用包括查明罕见遗传性疾病的病因、分析染色体异常、评估某些遗传性肿瘤综合征,以及研究遗传因素对药物反应的影响。检测结果的临床价值不仅取决于是否发现了变异,还取决于该变异与疾病关联的证据强度、它与患者临床表现的相关性,以及实验室方法的可靠性。
许多罕见疾病由单个基因中效应较大的变异引起,但基因型与症状之间的关系仍可能十分复杂。对患病儿童及其亲生父母进行测序,有助于识别新生变异,并区分可能的遗传模式。外显子组或基因组测序可能发现最初怀疑的基因之外的变异,但阴性结果并不能排除遗传性病因。重复序列扩增、难以检测的结构变异、低水平嵌合以及调控性改变,可能需要专门的方法或进一步解读。
临床变异分类通常将检测到的变异分为致病、可能致病、意义未明、可能良性和良性。分类依据可包括人群频率、家系中的共分离情况、分子层面的影响、功能实验,以及此前在患病个体中的观察结果。意义未明的变异并不等同于已确定的致病原因。随着证据积累,分类可能发生变化,因此,采用透明的判定标准并定期重新评估十分重要。计算预测通常只是循证解读的一个组成部分,而不能替代循证解读。
外显率是指携带某一特定基因型的个体中,表现出相关表型者所占的比例;表现度则涉及临床表现的范围或严重程度。两者都可能受到年龄、其他基因和环境的影响。因此,携带疾病相关变异并不总是意味着会出现症状,也不一定能据此预测症状的严重程度。反过来,同样的临床表现也可能由多个不同基因或非遗传因素引起。
药物基因组学研究基因组差异如何影响药物代谢、转运、作用靶点或不良反应。一些已得到充分证实的例子涉及影响药物代谢酶或免疫识别的变异。将这些发现应用于临床实践,需要经过验证的关联、恰当的检测,以及与具体药物和适应证相关的证据。更广泛地说,基因组检测可能发现与最初临床问题无关的结果,从而引出知情同意和结果报告方面的问题。因此,临床基因组学的实践须遵循实验室质量标准、专业解读框架以及传达不确定性的机制,而不能将序列信息本身视为诊断依据。
癌症基因组学与体细胞演化
癌症基因组学研究遗传易感性以及恶性细胞后天获得的基因组变化。肿瘤在组织环境中通过反复的细胞分裂、突变和选择不断演化。肿瘤细胞可能携带点突变、结构重排、染色体数目异常以及基因调控变化。这些改变可能影响生长信号、DNA修复、细胞死亡、免疫相互作用等过程,但肿瘤所含的突变通常远多于直接决定其生物学行为的突变。
驱动性改变有助于肿瘤的发生或维持,而乘客性改变虽不断积累,却不一定赋予细胞选择优势。区分两者需要综合考察改变的反复出现模式、功能实验、演化证据以及分子通路知识。有些癌症以特定的基因融合或激活性突变为特征;另一些则表现出广泛的染色体不稳定性或DNA修复缺陷。癌症基因组图谱和国际癌症基因组联盟等大型项目建立了涵盖多种肿瘤类型的目录,将其基因组特征与分子特征联系起来。
与配对的非肿瘤组织进行比较,有助于区分遗传变异与体细胞改变。肿瘤纯度、恶性与非恶性细胞的混杂,以及染色体拷贝数差异,都会增加解读的复杂性。仅在少部分测序读段中检出的变异,可能来自占比较低的肿瘤亚克隆,也可能源于污染、测序错误,或更复杂的拷贝数状态。因此,如果不引入额外假设,就不能将含有某一变异的读段比例直接换算为携带该变异的癌细胞比例。
肿瘤可分化出遗传特征和表型各异的细胞亚群。一次活检取样可能遗漏肿瘤其他部位或转移病灶中的改变。治疗可能改变选择压力,使耐药细胞谱系得以扩增。纵向取样和单细胞分析有助于重建这些动态过程,但根据不完整样本重建细胞的祖先关系,仍然属于推断。通过血液分析循环肿瘤DNA,为检测某些肿瘤相关改变提供了另一条途径,但其灵敏度取决于肿瘤向血液中释放DNA的程度、疾病负荷以及分析方法。
基因组学发现可辅助肿瘤分类、确定某些治疗的分子靶点,或提供与预后和治疗反应相关的生物标志物。某种改变的意义取决于肿瘤类型、生物学背景以及支持其临床意义的证据;同一种序列变化在不同癌症中并不一定具有相同含义。血液中检出的突变也可能源于造血细胞随年龄增长而发生的克隆性扩增,而非实体瘤,这说明必须结合细胞背景和临床背景来解读基因组信号。
微生物基因组学、宏基因组学与病原体监测
微生物基因组学研究细菌、古菌、真核微生物和病毒的基因组,为代谢、宿主相互作用、生态适应以及抗微生物药物耐药性演化等方面的研究提供支持。对经培养获得的分离株进行测序,可以揭示其基因组成及其与其他分离株的亲缘关系,同时识别质粒和潜在的耐药决定因子。然而,检测到某个基因并不总能证明该基因有所表达,也不一定能据此预测表型;实验室测定的药物敏感性仍有别于基于序列作出的预测。
宏基因组学分析直接从土壤、海水或肠道内容物等混合样本中获取的遗传物质。标记基因调查通过检测选定的基因座来描绘群落特征,而鸟枪法宏基因组测序则更广泛地对 DNA 进行取样,可获取有关群落组成及潜在功能的信息。通过序列组装和计算分箱,可以将序列归组成宏基因组组装基因组。这些重建的基因组可能不完整,也可能混入其他生物的序列,而亲缘关系密切的生物往往难以区分。因此,在推断未经培养的谱系所具有的生物学特征之前,必须进行质量评估。
微生物组包括微生物本身,在某些用法中,还包括这些微生物的全部基因及其所处的环境背景。微生物群落研究得出的往往是相对丰度:一种生物的丰度看似增加,可能只是由于另一种生物减少,即使前者的绝对丰度并未发生变化。样本采集、提取、储存、测序和分析方法的选择,都可能改变观测到的群落面貌。微生物分布模式与健康状态之间存在关联,本身并不能证明相关状况由这些微生物引起;饮食、用药、宿主生理状况及其他因素都可能同时影响二者。
病原体基因组学通过比较来自受感染宿主、环境样本或食物来源的序列,为疫情暴发调查提供支持。亲缘关系密切的基因组可以增强有关共同来源或传播网络的证据,但仅凭序列相似性无法确认直接传播事件。未被采样的感染病例、缓慢的突变速率、重组以及宿主体内的变异,都会增加重建传播过程的难度。将基因组证据与日期、地点、暴露史及传统流行病学资料结合起来,才能最大限度地发挥其价值。
在 COVID-19 大流行期间,对 SARS-CoV-2 开展的大规模测序,使病毒谱系的识别与追踪以及新出现变异株的研究成为可能。更广泛地说,基因组监测可以发现耐药基因、宿主范围或其他具有生物学意义的特征所发生的变化。监测的有效性取决于采样是否具有代表性、分析是否及时、元数据是否标准化,以及实验室是否具备相应能力。监测不均衡可能导致某个谱系在仅仅未被采样的地区看似不存在,因此,观测到的序列数量并不必然等同于感染的流行水平。
农业、环境与保护基因组学
农业基因组学将基因组变异与作物、家畜及其相关生物的性状联系起来。参考基因组和遗传图谱有助于识别影响产量、抗病性、发育和产品品质的基因组区域。这些性状通常受多个基因座的共同影响,环境因素也发挥着重要作用。数量性状基因座是指在统计上与某种可测量性状的变异相关联的基因组区域;识别出这样的区域,并不一定就能找到起因果作用的基因或突变。
标记辅助育种利用与目标性状连锁的基因组标记。全基因组选择则利用分布于整个基因组的标记来预测育种值,通常无须预先识别所有具有因果作用的变异。其预测表现取决于训练群体、性状测量、训练群体与候选选择个体之间的亲缘关系,以及应用预测结果时的环境条件。这种方法已成为家畜改良的重要手段,也日益广泛地用于植物育种,尤其适用于测量成本高或耗时长的性状。
许多农业物种的基因组给技术分析带来了挑战。例如,小麦的基因组庞大、富含重复序列,而且是多倍体,含有彼此相关的多套染色体。单一参考基因组可能遗漏其他品种中的基因或结构排列,因此作物泛基因组对于研究多样性具有重要价值。野生近缘种和传统品种可能携带与抗病性或环境耐受性有关的等位基因,但导入目标等位基因时,也可能同时引入与其连锁的性状。基因组编辑能够更直接地改变选定的序列,但要确定有用的靶点,仍需有关其效应及相互作用的生物学证据。
保护基因组学研究受威胁物种或受管理物种的遗传多样性、亲缘关系、近交、种群连通性及适应。基因组数据可以揭示仅凭外观难以察觉的种群分化,同时也能显示种群间历史上的接触。估算遗传负荷或灭绝风险时需要谨慎,因为预测的功能效应存在不确定性,而种群动态模型也可能无法反映当前的生态条件。基因组学是对栖息地、种群大小、繁殖成功率及威胁因素等信息的补充,而非替代。
环境领域的应用包括利用从水、土壤或沉积物中提取的 DNA 鉴定生物,以及持续监测生物群落随时间的变化。环境 DNA 可以揭示难以直接观察到的物种,但检测结果会受到 DNA 迁移、降解、释放速率以及采样条件的影响。未检测到 DNA 并不能证明物种不存在,提取到的 DNA 量也不能直接视为种群大小的衡量指标。在农业和保护领域,只有将基因组研究结果与生态学、野外实验及相关物种的生物学特征相结合,才能赋予这些结果实际应用价值。
数据治理、解读与持续面临的挑战
基因组数据具有持久性,能够识别个体身份,还能揭示其生物学亲属的信息,因此带来了特殊的治理难题。移除姓名并不一定能使基因组数据匿名化,尤其是在序列数据可以与其他记录关联的情况下。因此,数据隐私保护不只是删除明显的身份标识信息。无论是科研数据存储库还是临床系统,都需要考虑访问控制、安全的分析环境、对二次使用的限制,以及明确的问责机制。数据泄露的后果取决于与之相伴的健康、人口统计和家庭信息。
知情同意必须涵盖采集目的、未来的科研用途、数据共享,以及具有临床意义的发现应如何处理。概括性同意可以授权未来开展某些类别的研究,但并不免除监督责任。生物样本库将生物样本与纵向信息关联起来,使其对疾病和衰老研究具有重要价值,同时也使长期治理变得更加重要。撤回同意可以限制未来的某些使用,但对于已经纳入分析或按照获批安排分发的数据,可能无法完全收回。
代表性既是科学问题,也是制度问题。许多具有重要影响的人类基因组数据集过多地采集了欧洲血统人群的样本,影响了变异解读、关联发现和预测表现。代表性不足可能使研究较少的人群更频繁地得到意义不确定的结果。要实现包容性,不能仅仅采集样本:研究重点、本地分析能力、社区参与和利益分享,都会影响参与能否带来公平的科学价值。原住民数据治理还强调集体利益,以及对涉及其社区的数据所拥有的管理权。
尽管测序技术不断进步,解读仍然是一个主要瓶颈。大多数罕见变异缺乏充分的直接功能证据,而许多关联研究识别出的是基因组区域,并非因果机制。机器学习可以辅助序列解读、影像整合和分子层面的预测,但模型依赖于其训练数据和评估设计。一个在熟悉的人群或实验测定中表现良好的模型,在新的情境下可能失效。基于相关性的预测并不能自动确立因果关系,看似精确的输出也可能掩盖测量本身及其生物学含义中的不确定性。
持续开展的技术研究致力于获得更完整的基因组组装结果,更好地呈现结构多样性,并整合跨时间、组织和分子层次的测量数据。这些进步进一步提高了对互操作性标准和实验验证的需求。变异的组合如何影响性状、调控序列如何在具体情境中发挥作用,以及基因组效应如何随环境和发育阶段而变化,仍有待解答。解决这些问题,需要将序列数据与经过严谨测量的生物学数据联系起来,同时始终区分合理的计算预测、已经证实的分子机制和经过验证的应用。