基因分型是确定生物体、个体、组织或其他生物样本中存在哪些遗传变异的过程。它对脱氧核糖核酸上一个或多个位置的基因型进行鉴定,检测范围可以小至单个具有重要临床意义的变异,也可以大至分布于整个基因组的数百万个位点。这一术语既涵盖实验室测量,也包括将测量结果转化为基因型判定结果的计算程序。虽然基因分型通常检测的是已知变异,但基于测序的方法可以在同一次分析中发现此前未知的变异,并确定其基因型。
基因分型将分子层面的变异与遗传、生物学功能、身份及群体历史联系起来。其应用包括遗传病定位、复杂性状研究、个体身份及生物学亲缘关系鉴定、作物和畜禽育种材料筛选,以及传染性病原体的特征分析。结果的含义与可靠性取决于所检测的变异、样本的生物学特性、测量技术,以及解释数据时采用的统计假设。因此,基因型并不等同于仪器的原始读数,也不能仅凭基因型就确定生物体可观察到的特征。
生物学意义与范围
基因型描述的是某一特定位点或一组位点的遗传状态。在典型的二倍体生物中,大多数常染色体位点有两个拷贝,分别遗传自双亲。如果某个位点有两种不同的等位基因,通常记为 A 和 G,那么该位点可能的二倍体基因型就是 AA、AG 和 GG。AA 和 GG 为纯合型,AG 则为杂合型。这些名称描述的是分子组成,并不表示生物学上的优劣、是否正常或是否患病。基因型与表型之间的关系取决于基因功能、环境条件、发育历程,以及与其他遗传变异之间的相互作用。
双拷贝模型并非普遍适用。许多细菌的主染色体实际上是单倍体,而许多作物则表现出多倍性,具有两套以上的同源染色体组。对于性染色体、细胞器基因组,以及受缺失或重复影响的区域,需要采用不同的拷贝数假设。在四倍体生物中,一个双等位基因位点可以有五种等位基因剂量状态,即其中一种等位基因的拷贝数从零到四不等。能够在二倍体样本中区分 AA、AG 和 GG 的方法,不一定能可靠地区分多倍体中相应的剂量状态。
基因分型可以针对多类变异。单核苷酸多态性是群体中观察到的单碱基变异;“单核苷酸变异”的含义则更广,也包括罕见的变化。小片段插入和缺失会改变一小段序列。短串联重复的差异体现在相邻重复单元的数量上,例如某个四碱基基序的重复拷贝数。拷贝数变异改变的是某个基因组片段的拷贝数量,而更大范围的重排则可能改变片段的方向或其在染色体上的位置。每类变异都会带来不同的测量和解读难题。
一个样本中的基因型不一定完全一致。当个体内存在遗传组成不同的细胞群体时,就会出现嵌合现象。肿瘤可能包含多个不断演化的克隆,而骨髓移植后采集的血液中可能含有供者来源的遗传物质。微生物培养物、环境样本和法医检材可能含有多个生物个体或多个来源者的遗传物质。在这些情况下,观察到的等位基因比例并不能直接等同于常规的二倍体基因型。
基因分型也有别于其他相关的分子测量。基因表达测量关注的是 RNA 或其他基因产物的生成情况或丰度,而不只是遗传序列的状态。表观遗传学检测考察的则是 DNA 甲基化或染色质组织形式等特征。测序可以支持所有这些工作,但决定其概念归属的不是所用仪器,而是所研究的生物学问题和分析输出。在基因分型实验中,核心输出是判定特定遗传位置上的等位基因、拷贝数状态或基因型概率。
历史发展与标记选择
基因分型起源于对可遗传差异的研究,当时直接检测 DNA 尚不具备可行性。在二十世纪的大部分时间里,血型抗原和可通过电泳区分的蛋白质变异体被用作遗传标记。这些标记使研究人员能够追踪遗传过程、估计群体变异程度并检验生物学亲缘关系,但它们仅代表基因组中很小的一部分,而且在功能代表性上存在偏倚。基于 DNA 的标记大幅增加了可检测的基因座数量,并使研究蛋白质编码区之外的变异成为可能。
早期一种重要的 DNA 分析方法是限制性片段长度多态性分析。限制性内切酶在特定序列处切割 DNA;产生或消除识别位点的变异可能改变所生成片段的长度。这些片段经分离后,使用序列特异性探针进行检测。1980 年,戴维·博茨坦及其同事阐述了如何利用足够密集的此类标记图谱开展人类遗传作图。1985 年,亚历克·杰弗里斯及其同事报道了高度可变的 DNA 区域,这些区域后来成为 DNA 指纹分析的基础。
20 世纪 80 年代,聚合酶链式反应的发展使少量起始 DNA 中选定的片段得以扩增,从而革新了基因分型。此后,基于 PCR 的微卫星检测成为连锁作图和法医学身份鉴定的主要工具。在 20 世纪 90 年代和 21 世纪最初十年,高密度 SNP 检测技术及芯片使在大规模队列中对数十万乃至后来的数百万个位点进行基因分型成为可行。随后,大规模并行测序将基因分型扩展到更广泛的序列背景,并使同时发现和测定变异成为可能。
标记的选择取决于研究目的。高度可变的重复序列有助于区分个体,因为同一基因座可能存在多种等位基因。双等位基因 SNP 通常在每个基因座上提供的身份鉴别信息较少,但 SNP 数量丰富,且可进行大规模检测。针对疾病的检测可能只检查一个已确认的致病变异,而群体调查则可能需要广泛分布于各条染色体上的标记。
有些标记之所以被选中,是因为它们通过连锁不平衡与附近的变异相关联;连锁不平衡是指不同基因座上等位基因之间的非随机关联。因此,所选标记即使不是相关性状的生物学成因,也能提供有关未检测区域的信息。然而,这些相关性因群体而异,并随种群历史和重组历史的不同而变化。在一个群体中信息丰富的标记组合,在另一个群体中能够反映的变异可能少得多。
标记组合所涵盖的变异也反映了这些变异的发现方式。利用有限几个群体中的常见变异设计的芯片,可能无法充分涵盖罕见变异或局限于特定地理区域的变异。这种检出偏倚会影响遗传多样性比较、种群历史重建和关联分析。因此,标记选择是科学研究设计的一部分,而不只是前期采购决策。
靶向分子检测
靶向基因分型检测针对特定基因座进行分析,而非全面考察所有可获取的序列。当相关变异已预先明确、样本通量较高,或只需检测少量位点便能提供足够信息时,这类方法尤其有用。其分子特异性通常取决于引物结合、探针杂交、酶活性或片段长度的差异。每种策略都将序列差异转化为可测量的信号。
等位基因特异性 PCR 利用 DNA 合成对引物与模板匹配程度的敏感性,尤其是对引物延伸端附近匹配情况的敏感性。通过分别进行反应或产生可区分的产物,可以判断存在哪种等位基因。检测性能取决于引物设计、反应条件及周围序列。引物结合区域内若存在另一个变异,可能降低某一条染色体的扩增效率,造成等位基因脱落,进而可能使杂合样本被误判为纯合样本。
基于探针的检测通常使用荧光报告基团。一种常见形式是使用两条探针,分别识别同一位点的不同等位基因,并携带不同的荧光标记。扩增过程中,探针被切割,使报告基团与淬灭基团分离,从而产生信号。随后可根据两种报告基团的相对信号强度对样本进行分类。一种报告基团的强信号提示一种纯合状态,另一种报告基团的强信号提示另一种纯合状态,而两者均有信号则支持杂合状态。实际分类需要设置对照,并验证所得信号簇能够可靠区分。
基于限制性酶切的检测先扩增某一区域,再用一种酶消化扩增产物,该酶的识别位点在不同等位基因之间存在差异。通过凝胶电泳或其他片段长度测定方法,可以观察所得的片段模式。这类检测成本可以较低,结果也较为直观,但消化不完全可能呈现出类似另一种基因型的模式。邻近的序列变化也可能改变预期模式。因此,必须针对具体基因座确定片段大小与基因型之间的对应关系。
重复序列分型通常采用带有荧光标记的 PCR 产物,并通过毛细管电泳进行分离。利用片段长度标准,可将片段长度换算为相应的等位基因名称;在法医学应用中,还会使用等位基因阶梯。PCR 可能产生滑移峰产物,其长度通常比目标产物短一个重复单元,从而增加低丰度等位基因和混合样本的解读难度。很长的重复序列可能难以有效扩增,而片段长度相同也并不总意味着其实际序列完全相同。
其他靶向方法包括单碱基延伸后进行质谱法分析、基于连接反应的检测、高分辨率熔解分析和数字 PCR。熔解分析可检测扩增 DNA 热学行为的差异,但确定具体变异可能还需要进一步检测。数字 PCR 将样本分配到大量微小反应体系中,并可在适当的统计模型下定量测定等位基因的比例。任何靶向方法都无法自动检测出其靶区域内的所有变异:大多数方法只能回答其专门设计所针对的分子问题。
高密度基因分型芯片
DNA微阵列测量样本DNA与大量固定化探针之间的相互作用。基因分型芯片利用这些相互作用,通常结合酶促延伸反应,来区分预先选定位点上的等位基因。数千至数百万个标记可并行检测。这类芯片的主要优势在于,能够以较低成本,对大量样本中的一组固定变异进行可重复的测量,因此在人群研究、生物样本库和育种项目中发挥着重要作用。
尽管实验所用的化学方法有所不同,典型流程通常包括DNA制备、扩增或其他处理、片段化、杂交及荧光检测。检测会针对每个标记产生与不同等位基因相关的信号强度测量值。基因型判定算法将样本划分为与预期基因型状态相对应的簇。对于检测表现良好的二倍体双等位基因标记,三个簇分别代表两种纯合基因型和一种杂合基因型。
这些簇是经验分布,而非完全分离的类别。信号微弱、污染、邻近序列变异,以及不同处理批次之间的技术差异,都可能使簇的位置发生偏移,或增加簇之间的重叠。罕见等位基因尤其具有挑战性,因为杂合子簇可能仅由少数样本构成,而较罕见的纯合子簇甚至可能完全缺失。即使缺乏充分的生物学簇结构证据支持,算法仍可能给出看似置信度很高的基因型判定。
芯片信号强度数据还可揭示基因组剂量。两种广泛使用的汇总指标是B等位基因频率和归一化总信号强度指标;前者表示等位基因的相对信号,后者通常以log R比值表示。缺失可能降低总信号强度,并使通常可见的杂合子条带消失;重复则可能产生额外的等位基因平衡模式。这些证据可用于支持拷贝数变化、染色体异常或嵌合性改变的检测,但检测灵敏度取决于标记密度、片段长度、相关细胞所占比例及检测噪声。
由于芯片只检测选定的位点,因此不能等同于全面测序。即使某个样本在所有受检位点上均被判定为携带参考基因型,其邻近区域仍可能存在未被检测的变异。当缺失导致探针结合区域丢失,或高度相似的基因组序列发生交叉杂交时,芯片探针也可能出现异常表现。标记注释需要谨慎处理,因为不同数据集采用的染色体坐标、参考基因组组装版本和链方向约定可能不同。
即使在具备测序条件的情况下,芯片仍然具有价值,因为对于超大规模队列,其成本和数据处理需求可能更具优势。通过统计推断未分型的变异,往往还能进一步拓展芯片的用途。不过,高密度芯片并不直接测量所有推断出的变异,因此在解读结果时,必须区分直接观测到的基因型与通过计算估计的基因型。
基于测序的基因分型
DNA测序确定核苷酸的排列顺序,因此既能识别已知变异,也能发现此前未知的变异。基因分型则是后续的解读步骤:通过评估测序观测数据,确定存在哪些等位基因,以及各自的拷贝状态。靶向测序、外显子组测序、全基因组测序和简化基因组测序方法,在基因组覆盖范围、成本以及能够有效检测的变异类型方面各不相同。
在常见的短读长测序流程中,首先将DNA打断并连接接头,然后并行测定大量片段的序列。将测序读段比对到参考基因组后,软件会识别观测数据与参考序列存在差异的位置或区域。这一过程必须将真实的生物学变异与测序错误、比对错误及实验伪影区分开来。有些变异检测程序会重建局部序列的单倍型,而不是独立考察每个位置,从而改善对插入和缺失附近区域的解读。
测序深度是指覆盖某一位置的读段数量,但可靠性并不单由深度决定。碱基质量估计、比对质量、正反链读段的分布、读段的比对位置以及是否存在重复序列,都有影响。全基因组平均测序深度为30倍,并不意味着每个碱基都有30次独立且高质量的观测。覆盖并不均匀,而且某些基因组区域仍难以准确比对或扩增。
对于一个简单的二倍体杂合位点,预计支持两个等位基因的有效读段各占约一半。随机抽样、参考序列偏倚、污染、拷贝数变化和生物学嵌合现象都可能改变这一比例。在癌症中,观测到的变异等位基因频率还取决于肿瘤纯度,以及样本中的拷贝数和各克隆所占比例。在没有额外假设的情况下,通常不能将其直接视为携带某一突变的细胞所占比例。
短读长测序难以解析某些重复序列扩增、高度相似的重复基因以及复杂重排。长读长测序能够跨越更大的重复区域,并将同一DNA分子上的变异联系起来,从而改善结构解析和单倍型定相。其性能仍取决于平台特性、覆盖度、纠错和分析方法。某些基因座需要专门的分析方法,而不能依赖通用的变异检测程序。
简化基因组测序对基因组中可重复选取的部分进行测序,通常利用限制性内切酶筛选片段,其中包括通常称为“测序基因分型”的方法。这类方法广泛用于生态学和农业研究,尤其适合尚无成熟基因分型芯片资源的情况。覆盖度不均和数据缺失是其重要局限。在测序深度较低时,与强行将每个样本归入某个确定的基因型类别相比,基于似然的分析可能更准确地保留不确定性。
基因型推断、定相与填补
基因型是根据证据推断出来的,而不是作为抽象标签被直接观测到的。测序实验产生的是读段,芯片产生的是信号强度。随后,统计模型会评估这些测量结果与各种可能的遗传状态有多相符。对于观测数据 和某一可能的基因型 ,贝叶斯推断将这一关系表示为
其中, 为基因型似然, 为先验概率。后验概率 则综合了二者。区分似然与后验概率十分重要,因为有关群体的假设会影响后者,尤其是在测量证据较弱时。
对于二倍体的双等位基因位点,替代等位基因的拷贝数可能为 0、1 或 2。分析时可以保留这三种状态各自的概率,而不是只报告概率最高的状态。等位基因剂量的期望值为
剂量为 0.8 并不意味着染色体数目真的可以是小数。它表示对各种可能的整数基因型取平均后所体现的不确定性。关联研究通常采用剂量值,因为将不确定的数据转化为确定的基因型判定会丢失信息,还可能引入本可避免的误差。
定相用于确定哪些等位基因共同位于同一条染色体上,从而构成一个单倍型。一个人在两个位点上均为杂合子时,两个替代等位基因可能都位于同一条染色体上,也可能分别位于两条染色体上。普通的未定相基因型无法区分这两种排列方式。家系遗传信息、跨越多个位点的读段以及群体中的单倍型模式,都可以提供相位信息。在解释影响同一基因的两个变异究竟分别位于两个基因拷贝上,还是共同位于同一个拷贝上时,定相尤为重要。
基因型填补利用已观测的标记和单倍型参考面板,估计未经测量的基因型。这种方法先找出与研究样本中某些区段相似的参考单倍型,再预测未直接测量位点上的等位基因。它大幅增加了可用于关联检验的变异数量,也使采用不同芯片的研究能够在一定程度上实现数据协调。
填补准确性取决于已测量标记的密度和质量、参考面板的规模、祖源代表性、等位基因频率以及局部单倍型结构。参考面板中不存在的罕见变异,不能仅靠增加计算投入来恢复。常见变异的高质量填补结果,也不能证明对每一种罕见变异或结构复杂的变异都能达到同等表现。
基于群体的推断依赖于由减数分裂、重组、群体历史和亲缘关系共同塑造的模式。如果不加调整就将模型用于多倍体生物、高度近交的样本、混合祖源群体或混合样本,模型可能并不适用。因此,适当的输出可能是基因型概率、剂量分布、已定相序列,或明确标记为无法判定,而不是给出单一的类别判定。
质量控制与分析可靠性
可靠的基因分型需要在样本和变异两个层面开展质量控制。样本的采集、储存、提取和身份标识会影响后续所有步骤。即使基因分型的化学反应本身按预期进行,DNA 降解、化学抑制物、污染和样本混淆也可能造成错误。在涉及身份鉴定、法律证据或样本长期追踪时,样本保管链的要求尤为重要。
常用的样本质量指标包括检出率、杂合度、亲缘关系、污染程度估计值,以及与预期染色体模式的一致性。检出率是指在尝试检测的位点中,获得符合判定标准的基因型的位点所占比例,但检出率高并不保证结果正确。杂合度过高可能提示污染或技术伪影;杂合度异常偏低则可能反映近交、生物种群结构或检测失败。因此,解读这些指标需要结合生物学背景,而不能套用统一的数值阈值。
变异层面的检查包括缺失率、信号聚类质量、等位基因平衡、测序读段支持情况,以及重复测量之间的一致性。在家系数据中,不符合孟德尔遗传规律的情况可能揭示错误:例如,按照通常的遗传方式,子代判定的基因型可能与亲代判定的基因型不相容。这类差异也可能源于新生突变、结构变异、错误的亲缘关系假设或罕见的生物学事件,因此不能据此直接认定子代的基因型判定有误。
偏离哈代-温伯格平衡的程度常被用作诊断性统计指标。若两个等位基因的频率分别为 和 ,则平衡状态下的基因型比例为
大幅偏离平衡可能提示基因分型存在问题,但也可能由群体混合、近交、选择或研究对象的选取方式造成。对包含遗传分化群体的合并样本进行检验,本身就可能出现杂合子不足。在患病样本中,疾病相关位点也可能因生物学原因偏离平衡。
当处理流程的差异与研究分组相对应时,就会出现批次效应。如果病例和对照在不同实验室、不同平台或不同时期进行基因分型,系统性的测量差异就可能造成虚假的遗传关联。随机安排样本位置、设置技术重复和共用对照,以及仔细统一数据标准,有助于区分生物学效应与实验室流程带来的影响。采用原理确实不同的测量方法进行验证尤其有价值,因为重复使用同一种化学检测方法,可能会重现相同的系统误差。
可靠性还取决于结果的表示方式。结果必须明确基因组坐标系统、参考等位基因和替代等位基因、倍性假设,以及缺失或不确定数据的处理方式。在重复序列中,等效的插入或缺失有时可以采用不同方式表示,从而增加比较的难度。总体一致率可能掩盖对罕见杂合基因型或难以检测的变异类别表现不佳的问题;因此,按基因型和变异类型分别评估,比单一的总体准确率更有参考价值。
科研、育种与群体研究中的应用
基因分型提供了将遗传变异与遗传规律及性状联系起来的观测数据。在家系定位研究中,研究人员追踪标记在系谱中的传递,以定位与某一表型共分离的染色体区域。这一策略曾是鉴定许多孟德尔遗传病致病基因的关键。其分辨率取决于家系结构所能提供的信息以及重组事件,而不只是完成基因分型的标记数量。
在全基因组关联研究中,研究人员检验大量变异与某一性状之间的统计关联。随着高密度芯片和大型队列的出现,这一方法在2000年代中期开始广泛用于人类遗传学。由于需要进行大量检验,严格的统计阈值和独立重复验证至关重要。关联标记往往通过连锁不平衡标示出某个区域;仅凭这一标记,并不能确定因果变异、受影响的基因或相关生物学机制。
群体结构是分析时需要重点考虑的因素。如果遗传祖源同时与等位基因频率和所测性状相关,即使不存在直接的遗传效应,也可能出现表面上的关联。统计方法可以校正祖源模式和亲缘关系的影响,但研究设计与研究人群的代表性仍然是根本。将基因分型与功能实验、表达数据及分子注释相结合,有助于区分统计定位与生物学解释。
在群体遗传学中,基因型数据可用于估计遗传多样性、亲缘关系、迁徙、混合及群体历史。这些分析依赖于有关突变、重组、抽样和进化过程的假设。现今的遗传相似性并不与语言、国籍或社会身份完全对应。将遗传证据与考古、地理和文献资料结合起来解读,而非将其本身视为完整的历史记录,有助于增强历史推断的可靠性。
动植物育种利用基因分型开展标记辅助选择、系谱核验和基因组预测。标记辅助选择追踪的是已知具有较大效应的特定位点。相比之下,基因组选择综合大量标记的估计效应来预测育种值。2001年,西奥·默维森、本·海斯和迈克·戈达德提出了一个奠基性框架,利用覆盖全基因组的高密度标记预测总遗传值。预测表现取决于训练群体、性状的遗传结构、环境,以及训练群体与候选选育个体之间的亲缘关系。
基因分型也为生物保护和生物鉴定提供支持。它可用于估计圈养群体中的亲缘关系、检测杂交、区分种群,以及衡量遗传多样性的丧失。在微生物学中,基于序列的分型可区分不同菌株,并辅助调查传播过程。高度相近的微生物基因型可为亲缘关系提供证据,但仅凭这一点,无法确定是否发生了直接传播、传播方向或暴露发生的具体途径。
临床检测与生物学鉴定
临床基因分型检测与诊断、遗传风险、治疗反应或供受者相容性有关的变异。靶向检测可能只检测少数已明确的变异,而测序则可评估多个基因乃至整个基因组。分析有效性,即准确测定目标基因型的能力,不同于临床有效性,后者指该基因型与健康相关结局之间的关系。即使检测结果在技术上准确,其临床意义仍可能有限。
结果解读取决于疾病机制和遗传方式。同一类型的序列变化在不同基因中可能产生不同后果;同一个体中的两个变异,有时还需要通过定相来明确二者的关系。一些遗传病涉及重复序列扩增、大规模重排或基因剂量变化,而针对单碱基替换优化的检测方法可能难以检出这些变化。因此,阴性结果仅适用于该检测能够评估的变异和机制,并不自动排除所有可能的遗传学解释。
药物遗传学研究遗传变异如何影响药物反应。药物代谢酶、转运蛋白及免疫相关基因中的变异,可能与药物暴露量的变化或不良反应有关。例如,CYP2D6 存在缺失、重复和杂合结构,使等位基因判定变得复杂。小规模 SNP 检测组合未必能够确定完整的基因型,而将已判定的基因型转换为功能类别,还需要独立的解读框架。仅凭基因型无法涵盖影响药物反应的所有因素。
主要组织相容性复合体分型,尤其是人类白细胞抗原基因分型,在移植中十分重要。这些基因座具有极高的多态性,彼此高度相似的等位基因也可能在具有临床意义的位点上存在差异。分型的分辨率各不相同:有的检测只能区分较宽泛的等位基因组别,有的则能识别更精细的序列差异。因此,明确判定某个等位基因,与只能给出一组可能的等位基因,两者之间的区别具有重要意义。
DNA 分型利用选定的遗传标记来比较生物样本或评估亲缘关系。常染色体短串联重复序列具有高度变异性,并可用于标准化比对,因此在法医学体系中仍得到广泛应用。性染色体标记和线粒体序列可在特定情况下提供补充信息,但其遗传方式不同,个体识别能力通常也有所不同。
法医学解读会评估相互竞争的假设,而不是将匹配结果直接视为有罪或身份一致的证明。似然比可用于比较在不同解释下观察到现有遗传证据的概率。群体等位基因频率、亲缘关系、样本降解、污染、等位基因脱落以及混合样本等因素,都会影响这一计算。即使遗传证据强烈支持某人与某份样本之间存在关联,也不能仅凭这一点确定相关生物材料何时遗留、如何到达现场,或由何种活动产生。
数据标准、隐私与解读局限
基因分型结果需要以标准化形式表示,才能在不同实验室之间以及随着时间推移仍可得到正确解读。基于序列判定的变异通常以变异检出格式(Variant Call Format,VCF)交换,该格式可记录基因组位置、等位基因、基因型判定结果、质量指标及其他注释。参考基因组版本和所用软件的来源与版本记录至关重要,因为坐标乃至局部序列的表示方式都可能发生变化。对于芯片数据集,还需注意探针标识、链方向以及厂商特定的等位基因表示约定。
参考序列的选择会影响测量结果。当线性参考序列携带的是另一种等位基因时,含有替代等位基因的读段可能较难与之比对,从而产生参考偏倚。高度变异或结构复杂的区域尤其容易受到影响。泛基因组可表示多条序列路径或多个组装结果,因而能减轻依赖单一参考序列带来的部分局限。不过,它也对坐标系统、等位基因命名以及与现有数据集的比较提出了新的要求。
遗传数据具有持久性、高度的身份识别能力,还能提供生物学亲属的相关信息,因此会引发独特的数据隐私问题。删除姓名并不一定能使信息丰富的基因型数据集实现匿名化。基因型可以揭示样本之间的亲缘关系,与其他信息结合时,还可能被用于重新识别个人身份。因此,数据治理关注的不仅是数据是否附有身份标签,还包括访问权限、允许的用途、安全保障、保存期限以及结果共享。
当分析揭示了原始目的之外的信息时,知情同意和结果解读尤其重要。研究数据集可能包含提示非预期亲缘关系、染色体变异或具有医学意义的变异的证据。是否审查这些发现或将其反馈给参与者,取决于研究框架、知情同意流程、验证要求及适用规定。研究级测量结果与经过临床验证的结果,并不会仅仅因为涉及同一基因组位置就可以互相替代。
祖源推断和性状预测体现了解读的局限。祖源估计取决于所使用的参考人群、标记组合和统计模型。其类别描述的是与选定比较群体的相似程度,而非界限分明、不可改变的生物学划分。同样,复杂性状的遗传预测也取决于估计预测效应时所依据的人群和环境。当模型被应用于在其开发数据中代表性不足的群体时,预测表现可能下降。
单细胞基因分型、准确度不断提高的长读段,以及序列与分子状态的整合分析,扩大了可检测变异的范围。这些技术也暴露出更多不确定性来源:单细胞扩增可能造成等位基因脱落和伪影,而肿瘤混合样本和微生物混合样本则需要用异质性群体模型进行分析。适当的分析单位可能是一条染色体、一个细胞谱系、一个克隆或一个混合群体,而非整个生物个体。即使测量分辨率不断提高,仍有必要明确指定这一分析单位。