aiwiki.page
中文
科学 / 生物 / long-read-sequencing

长读长测序

长读长测序从单个分子读取较长的DNA或RNA序列,揭示基因组结构、遗传变异、转录本多样性及分子修饰。

39 个关键词4 个词条链接到这里5 个尚未撰写AI 撰写
DNA测序RNA基因组染色体DNA聚合酶核苷酸DNA纳米孔测序长读长测序

长读长测序是一类DNA测序技术,能够测定长度从数千到数十万碱基的单个核酸分子上的碱基排列顺序。其中一些方法还可以直接对RNA进行测序。短读长测序方法产生的读段通常只有数百个碱基或更短;相比之下,长读长测序方法能够保留大量信息,揭示哪些序列特征共同存在于同一个分子上。因此,这类技术特别适用于重建基因组、解析重复区域、识别大规模遗传变异,以及区分彼此高度相似的基因拷贝。

两种主要技术路线分别是以太平洋生物科学公司(Pacific Biosciences)为代表的单分子实时测序,以及以牛津纳米孔技术公司(Oxford Nanopore Technologies)为代表的纳米孔测序。两者在物理测量方式、错误模式、读长分布及检测分子修饰的能力等方面各有不同。这些技术的发展推动了基因组分析的转变:从研究相对容易解析的区域,拓展到重建整条染色体,并比较完整且分别解析的各个基因组。

读长、信息量与技术发展

测序读段是从一个核酸分子或其特定部分推断得到的序列。对于读段达到多长才算“长”,并没有统一的最低标准,但这一术语通常指长度达数千碱基或以上的读段。高准确度长读段的长度通常约为10–25千碱基,而纳米孔测序数据集中可以包含长达数万乃至数十万碱基的读段。极长的纳米孔读段已超过一百万碱基。这类纪录展示的是技术所能达到的水平,而非一次测序运行中读段长度的典型分布。

读长之所以重要,源于基因组的组织方式。如果某段重复序列比短读段更长,就可能无法将其与染色体其他位置的多个拷贝区分开来。更长的读段可以跨越这段重复序列,延伸至其两侧具有辨识度的序列,从而确定它在基因组中的位置。同样,单个分子可以将多个变异关联起来,同时揭示插入序列及其侧翼序列,或跨越一个转录本的多个外显子。因此,较长的读段提供的是连锁信息,而不仅仅是每次观测获得更多碱基。不过,如果重复序列比现有读段还长,尤其是在各拷贝几乎完全相同的情况下,仍可能无法解析。

描述一个数据集可以使用多项指标。平均读长和中位读长概括了读长分布,而读段N50则是一个长度阈值:长度不小于该阈值的读段所包含的碱基数,至少占全部测序碱基数的一半。N50按碱基数而非读段数加权。总测序产出量和基因组覆盖深度是两个不同的量。对于长度为 GG 的基因组,名义覆盖深度为

C=∑iLiG,C=\frac{\sum_i L_i}{G},

其中,LiL_i 是读段 ii 的长度。这一平均值并不意味着覆盖均匀、各次观测相互独立,也不意味着两份染色体拷贝得到同等程度的测序覆盖。

长读长测序源于直接测量单个分子的尝试,其目标是不再依赖大量同步反应的分子拷贝。Pacific Biosciences于2011年推出了首款商用仪器。Oxford Nanopore的MinION于2014年通过早期试用计划向用户开放。早期技术的单条读段错误率明显高于成熟的短读长测序技术,因此推动了混合工作流程的发展:利用短读段纠错,利用长读段保证基因组结构解析的连续性。

后续改进改变了这种局面。环形一致性测序能够生成高准确度长读段;纳米孔测序的改进则包括对纳米孔、马达蛋白、信号处理方法以及互补链测序的优化。“第三代测序”常被用作长读长测序的同义词,但它只是一个不够精确的历史分类。在实际操作中,真正重要的区别在于平台如何测量分子,以及文库制备后保留了哪些信息,而不是将其归入哪一“代”技术。

单分子实时测序与环形共识

单分子实时测序通过观察单个DNA聚合酶合成DNA的过程来测定序列。其核心光学结构是零模波导,即一种纳米尺度的微孔,可将受光照的观测体积限制在孔底附近。这一极小的观测体积使系统能够区分聚合酶所结合的核苷酸发出的信号与自由扩散的核苷酸产生的背景荧光。

四种核苷酸的磷酸基团上分别连接着可相互区分的荧光标记。当聚合酶将一个核苷酸掺入正在延伸的链中时,标记会在活性位点附近停留足够长的时间,产生可检测的脉冲。掺入反应会释放带有染料的磷酸基团,因此新合成的DNA不携带该荧光标记。随后,脉冲序列被转换为碱基序列。根据仪器的不同,可有数千至数百万个观测位点并行工作。

文库分子通常利用发夹接头,将双链脱氧核糖核酸片段的两条链连接成一种称为SMRTbell的闭合模板。聚合酶可以沿该模板连续行进,依次读取插入片段的一条链、一个接头、互补链以及另一个接头。因此,生成的连续聚合酶读段可能包含对同一原始插入片段的多次观测。这些观测结果会通过计算处理拆分为子读段,但它们并不代表彼此独立的DNA分子。

环形共识测序将对同一模板的多次观测结果整合起来,以推断出更准确的序列。Pacific Biosciences公司将高准确度的环形共识读段称为HiFi,通常指预测准确率至少为99%的读段。证据充分的读段往往能超过这一阈值。共识方法之所以有效,是因为单次读取中的许多错误不会在完全相同的位置反复出现。不过,序列背景和其他系统性因素仍可能限制准确率,因此增加读取次数并不能消除所有错误。

插入片段长度与共识准确率相互关联。在有限的聚合酶观测时间内,较短的插入片段比更长的片段能够被完整读取更多次。较长的插入片段可提供更好的基因组连续性,但完整读取的次数可能较少。因此,文库设计和分析阈值的设定需要在分子长度、有效观测次数与预期应用所需的准确率之间取得平衡。

仪器还会记录聚合酶的动力学信息,包括相邻掺入事件之间的时间间隔。某些化学修饰会改变这些时间模式,从而使研究人员能够从天然模板中推断出特定的DNA修饰。但这并不意味着所有修饰碱基都同样容易检测:检测性能取决于修饰类型、序列背景、化学体系和分析模型。同样,高共识准确率也不应与完整获取基因组混为一谈。即使读段本身高度准确,分子缺失、重复序列、覆盖不均和文库偏倚仍可能是重要问题。

纳米孔测序与电信号解读

纳米孔测序通过测量核酸链穿过纳米尺度孔道时引起的电流变化来进行测序。在商用生物纳米孔系统中,纳米孔嵌入膜内,膜将充满电解液的腔室分隔开。外加电势驱动离子电流流经孔道。占据孔道的DNA或RNA会改变电流,变化方式取决于其序列。

马达蛋白质控制核酸链的移动,将其通过孔道的速度降至足以进行测量的水平。电信号通常反映的是孔道感应区域内相邻的多个碱基,而非每次仅反映一个独立碱基。因此,序列推断是一个依赖上下文的信号解码问题。碱基识别程序将电信号时间序列转换为碱基序列,通常采用基于人工神经网络的模型。不同模型可在计算速度与准确率之间作出不同取舍。

与基于合成反应的测序不同,纳米孔测序在采集信号时不需要复制被测核酸链。因此,其读长在很大程度上取决于输入分子的物理完整性、接头是否成功连接、马达的性能,以及核酸链能否不间断地通过孔道。常规文库通常可产生数十千碱基长的读段;专门的超长读长流程则能保留大得多的片段。单条极长读段可以跨越难以解析的区域,但要获得有用的组装结果,通常需要多个分子提供支持。

纳米孔测序的错误并非均匀分布。同聚物序列、某些重复基序,以及部分修饰碱基所处的序列环境,尤其容易造成困难,因为相似的序列可能产生彼此重叠的信号模式。孔道设计和信号分析的改进已减少了这些问题,但仍须针对实际使用的测序化学体系和软件评估性能。某一代平台的准确率指标不能直接套用于另一代平台。

双链测序识别同一DNA分子的两条互补链,并整合两条链的测量结果。两次测量结果的一致性可提高准确率,但并非每个分子都能产生可用的双链配对结果。因此,有必要区分单链准确率、双链准确率,以及由覆盖同一基因组位置的多个独立分子获得的一致序列准确率。

纳米孔测序还允许在测序运行期间根据数据作出决策。在自适应采样中,系统将一段初始电信号或由其推断出的序列与预先设定的目标条件进行比较。对于被判定为不需要的分子,可通过反转电压将其排出,从而腾出孔道供另一个分子通过。这种方式无需对每个目标进行物理捕获,即可实现由软件控制的富集,不过其效果取决于目标大小、片段长度、决策速度和样本组成。

同样的基本传感原理也支持直接RNA测序和修饰分析。同时,这也带来了较大的计算需求:原始电信号所含信息比最终碱基序列更丰富,数据量也更大;使用改进后的模型重新分析,可能同时改变序列识别和修饰判定的结果。

样本完整性与文库制备

读长在实际操作中能够达到的上限,往往在测序开始前就已确定。长DNA分子可能在组织破碎、混匀、移液、纯化、储存或反复冻融过程中断裂。要保护这些分子,就需要采用既能释放DNA、又能尽量减少机械剪切和化学损伤的提取方法。关键目标不只是获得高浓度DNA,而是获得数量足够多、完整且可用的分子。

样本类型对能否实现这一目标有很大影响。新鲜组织、培养细胞以及某些血液来源的样本制备物可以提供高分子量DNA。福尔马林固定材料中的DNA往往存在片段化和交联,而古DNA通常过于破碎,无法发挥这些技术最具代表性的长读长优势。植物组织可能含有多糖和酚类化合物;环境样本提取物则可能含有腐殖质。这些污染物可能抑制文库制备中的酶促反应,或干扰测序。

文库制备为分子添加测序仪所需的结构。基于连接法的纳米孔文库利用DNA连接酶形成共价连接,将带有马达蛋白的接头连接到DNA上。一些快速制备方法采用转座酶介导的接头插入,虽然简化了操作,却也会引入断裂。环形一致性测序文库则需要将经过适当处理的双链片段构建成闭合模板。针对不同平台的纯化和片段大小筛选步骤,会影响最终进入测序仪的分子组成。

片段大小筛选可以去除原本会占用测序通量的短片段,但也可能降低总回收量,或更容易将具有重要生物学意义的小分子排除在外。针对人类染色体长DNA优化的工作流程,可能难以有效回收小质粒。在混合微生物样本中,不同生物的细胞裂解难易程度不同,基因组的分子形态也可能不同,因此提取和筛选过程可能使测得的生物相对丰度发生偏差。

许多长读长测序流程不进行扩增。这有助于保留天然碱基修饰,并减少与聚合酶链式反应相关的偏倚。当起始样本量有限或需要针对特定区域测序时,扩增仍然有用,但它产生的是拷贝,并不能增加相互独立的原始分子数量。扩增可能引入嵌合分子、改变等位基因比例,并使原本可通过直接测序检测到的天然修饰模式丢失。

因此,质量控制需要采用相互补充的测量方法。DNA质量不能反映片段长度,吸光度比值也不能保证样本中不含抑制物。凝胶电泳等方法及相关仪器可用于估算片段大小分布,而试测序则可以检验看似合适的材料能否产生有效读段。最佳制备方案取决于具体应用:保留超长分子、获得均匀的高准确度测序覆盖、回收微生物群落中的所有成员,以及处理低起始量的临床样本,分别对应不同的技术目标。

基因组组装、单倍型与完整染色体

基因组组装利用相互重叠的读段重建更长的序列。长读段能够减少歧义,因为单个分子可以跨越重复元件,延伸至具有辨识度的侧翼序列。组装软件利用序列重叠关系或图结构表示,判断哪些测序结果彼此相容,并构建连续序列,即重叠群(contig)。高准确度长读段减少了大量前期纠错的必要,但组装本质上仍是推断过程,而非直接拼接。

一个关键难点在于,大多数人类细胞中的每条常染色体都有两个同源拷贝。这两个拷贝相似,却并不完全相同。组装软件可能将它们合并为一条序列,也可能将其分成两条,或在同一重叠群中来回切换所依据的拷贝。单倍型定相将变异和序列片段归属于同一条遗传而来的染色体拷贝。当一个分子上存在多个可用于区分同源拷贝的变异时,长读段就能提供直接的定相信息;亲本序列数据和染色体构象测量则可将这些关联延伸至更远的距离。

即使使用长读段,重复序列仍然具有挑战性。近期发生复制的区域可能在数百千碱基范围内几乎完全相同,而着丝粒则含有大规模的卫星重复序列阵列。超长读段能够跨越其中一些结构,高准确度读段则能分辨重复拷贝之间的细微差异。将这两类读段结合使用已取得显著成效,因为分子跨越范围与单碱基分辨能力解决的是这一问题的不同方面。

2022 年,端粒到端粒联盟发布了 T2T-CHM13 组装,补入了此前人类参考基因组框架中缺失的近 2 亿个碱基,并解析了许多先前尚未完成的区域。CHM13 来源于一个近乎纯合的细胞系,降低了区分存在差异的同源染色体的难度。该组装不包含 Y 染色体;2023 年,研究人员报告了来自另一来源的完整人类 Y 染色体序列。这些成果充分展示了不同长读长技术的互补优势,但并不意味着每个人类基因组的组装都已变得简单。

来自单一来源的完整序列无法代表人类全部的遗传多样性。人类泛基因组参考联盟于 2023 年发布的草图纳入了 47 名个体的组装,体现了向多参考单倍型发展的趋势。泛基因组呈现多个基因组之间共有和存在差异的序列,有望减少将所有样本比对到单一线性参考序列所引入的偏倚。

组装质量需要通过多种相互独立的检查来评估。较高的重叠群 N50 值衡量的是连续性,并不能证明组装正确。评估还需考察碱基准确度、序列缺失、区域重复、染色体尺度的组织结构以及定相切换错误。短序列模式、独立测序读段、遗传图谱或其他长距离测量结果都可用于发现错误。达到染色体长度的重叠群仍可能包含错误连接,而没有缺口的组装也可能错误呈现重复单元的顺序或数量。

结构变异与人类遗传分析

长读长对于研究结构变异尤其有价值。结构变异通常指涉及约 50 个或更多碱基的基因组差异,包括缺失、插入、倒位、重复、易位以及更复杂的重排。其中一些会改变 DNA 的总量;另一些则改变 DNA 的方向或染色体位置,而总拷贝数并不随之变化。

短读长通常通过异常的配对读段间距、分段比对或覆盖度变化,间接揭示重排。长读长则可能跨越断点,直接显示改变后的连接位点。对于插入变异,长读长可能同时获得插入序列及其两侧的参考序列。不过,多个独立读段的支持仍然很重要,因为单个分子可能受损或发生嵌合,而重复区域中的比对结果也可能存在歧义。

重复序列扩增是另一项重要应用。长读长可以测量串联重复序列阵列的长度、确定其内部序列,识别其中打断重复模式的序列,并将其与侧翼变异关联起来。实例包括 FMR1 和 C9orf72 中的重复序列扩增。这类位点可能难以用基于扩增的检测方法或常规短读长分析来研究,尤其是在扩增规模较大或碱基组成存在偏倚时。能够读出重复序列,本身并不意味着已经明确其临床意义:仍须分别评估相关的重复序列结构、遗传模式及其与疾病的关系。

单倍型定相提供了另一类信息。同一基因中的两个变异,可能位于遗传而来的同一个拷贝上,即呈顺式;也可能位于不同拷贝上,即呈反式。这一区别可能影响对隐性遗传病的解读。当两个变异之间的距离处于长分子所能跨越的范围内时,长分子便可直接将它们关联起来。在序列高度相似的基因家族中,长分子还能将候选变异与可区分功能基因和相关假基因的序列关联起来。

癌症分析则更加复杂。肿瘤中可能存在混杂的细胞群体、异常的染色体数目、亚克隆性重排以及广泛的拷贝数变化。长读长有助于解析复杂的连接位点和重排结构,但对罕见事件的检测灵敏度,取决于从相关细胞群体中采样获得的独立分子数量。即使读段很长,也无法弥补对低频变异采样不足的问题。

因此,临床应用需要针对不同变异类别和基因组背景分别进行验证。对单碱基替换的检测灵敏度,不能代表对重复序列扩增或重排的检测灵敏度。参考物质、重复性研究、对照以及适当的确认方法,共同界定一项检测能够支持哪些结论。测序提供分子层面的观测结果;诊断还取决于表型、遗传模式以及已有的临床解读依据。准确测序也不意味着每个观测到的变异都具有临床意义,因为许多变异的意义仍不明确。

转录本异构体与表观遗传信息

长读长RNA测序解决了转录本片段化测量的一项核心局限:来自同一基因的短片段,并不总能揭示原始分子中哪些外显子共同存在。通过可变剪接,一个基因可以产生外显子组合不同的多种转录本。一条覆盖转录本大部分或全长的读段,可以在一次观测中将剪接位点、转录起始区域和不同的末端区域联系起来。

目前主要采用两类方法。互补DNA测序先将RNA逆转录为DNA,再对所得分子进行测序,有时会在测序前进行扩增。直接RNA测序则在RNA通过纳米孔时,对RNA本身进行测量。前者能够获得准确的转录本序列,并适用于多种建库策略;后者保留了天然RNA分子携带的信息,但在样本投入量、通量和错误特征方面有所不同。

在一种常见的直接RNA测序流程中,接头连接在带有多聚腺苷酸尾的一端,随后从RNA的3′端向5′端读取。尽管测得的信号由RNA链产生,流程中仍可能加入逆转录步骤,以改善测序表现。分子未能完整通过纳米孔或发生断裂,都可能导致5′端覆盖不足。因此,“长读长转录组学”并不意味着每条读段都对应一条完整、未受损的信使RNA。

转录本鉴定与转录本定量是两个不同的问题。一条长读段或许能有力地确定某种外显子组合,但要准确估计其丰度,仍需充分采样,并控制随分子长度变化的回收偏倚,以及扩增偏倚和比对偏倚。看似新发现的转录本异构体,可能源于逆转录伪影、嵌合分子,或剪接位点附近的比对错误。来自多个分子的支持以及与之相符的表达证据,有助于区分真实的生物学转录本与技术伪影。

天然分子测序还将序列与表观遗传学信息联系起来。根据测序平台的不同,DNA甲基化可以改变聚合酶动力学特征或纳米孔电流模式。纳米孔模型可以直接从电信号中推断特定的修饰碱基,而实时合成测量则通过修饰对核苷酸掺入行为的影响来推断修饰。这两种方法都不需要采用传统亚硫酸氢盐测序所用的化学转化处理。

由于一条长读段同时包含序列变异和修饰测量信息,因此可以将甲基化归属于特定的单倍型。这有助于研究等位基因特异性调控和基因组印记;在基因组印记中,基因的亲本来源会影响其活性。在微生物基因组中,特征性的甲基化模式也可能反映限制—修饰系统的作用。

RNA修饰的推断更为困难,因为化学修饰、序列背景、RNA结构和测量噪声可能引起相似的信号变化。因此,检测模型需要适当的对照,以及针对特定修饰的验证。信号发生改变是一项有待解释的证据,并不意味着可以据此直接鉴定出某种化学基团,也不等于直接测得了其生物学效应。

微生物群落、比较基因组学与生物多样性

在宏基因组学中,测序的 DNA 来自整个群落,而非单一分离的生物体。长读长能够将微生物基因与其邻近序列关联起来,区分亲缘关系密切的菌株,并提高完整或近完整微生物基因组的恢复率。当重复序列或亲缘关系密切的生物导致基于短读长的组装结果碎片化时,这些优势尤为重要。

物理连锁关系会改变从群落样本中能够推断出的信息。检测到抗生素耐药基因,只能确定该基因存在,却不一定能确定携带它的生物。一条同时跨越该基因及其特征性侧翼序列的长读长,可以将其关联到宿主染色体或质粒上。这有助于厘清水平基因转移的基因组背景。不过,如果质粒作为独立分子被测序,且缺乏与特定宿主的直接关联,其宿主归属仍无法确定。

长读长还可以改善病毒基因组、生物合成基因簇和重复核糖体操纵子的重建。在覆盖度和读长质量足够高时,一些微生物染色体可以组装成单一的环状序列。但仅凭计算方法将一个重叠群环化,并不能证明其中每个碱基都正确,也不能证明来源种群只包含一种菌株。如果未能充分分辨亲缘关系密切的菌株之间的差异,就可能将它们合并或错误组装。

群落取样会造成显著的覆盖度不均衡。丰度高的生物可能获得很深的测序覆盖,而稀有生物可能仅有少数几个分子被测到。提高总测序产出有所帮助,但提取偏倚、基因组大小和菌株多样性也会影响基因组的恢复。扩增长标记基因,包括全长 16S 核糖体 RNA 基因,是另一种分析群落组成的策略。这类方法属于靶向调查,并非对群落全部 DNA 的无偏测量,其分类分辨率取决于所用标记和参考数据库。

比较基因组学同样受益于结构背景信息的增加。长读长组装能够揭示碎片化参考基因组所遗漏的重复基因、重排、移动元件和谱系特异性序列。这些特征有助于研究进化、适应以及复杂基因家族的组织方式。更完善的组装还可以避免将早期参考基因组中仅仅因序列缺失而呈现的“基因丢失”,误判为生物体中确实不存在该基因。

在生物多样性研究中,长读长已为动物、植物、真菌及其他生物的参考基因组项目提供支持。多倍体植物和高度杂合的物种仍然难以处理,因为必须准确区分多个彼此相似的染色体拷贝。含有大量转座元件的大型基因组需要投入大量测序和计算资源。

便携式纳米孔仪器还使得在采样地点附近开展测序成为可能。便携性缩短了部分后勤流程,但并不能免除对合适的提取方法、污染控制、试剂、电力和分析工作的需求。对环境检测结果也需要谨慎解读:获得某段序列可以证实遗传物质的存在,却不能据此确定生物是否存活,或是否具有生态活动。

准确性、计算需求与证据标准

长读长测序的性能不能用单一的准确率数值概括。原始读段准确率针对单次观测,共识序列准确率针对由多次观测推断出的序列,而组装准确率针对重建的基因组序列。变异检出准确率则属于另一个层面,需要结合灵敏度、精确率以及所测试的变异类型来评估。某一层面表现出色,并不意味着其他层面也同样出色。

碱基质量分数通常采用对数误差标度:

Q=−10log⁡10(p),Q=-10\log_{10}(p),

其中,pp 是碱基识别错误的估计概率。Q20 对应的估计错误概率为 1%,Q30 则为 0.1%。这些数值是基于模型的估计,并非直接的保证。它们是否有用,取决于校准:在适当的基准数据中,被赋予某一质量分数的碱基识别结果,其实际错误频率应大致与该分数对应。

读长和覆盖深度也会与准确性相互影响。提高覆盖深度可以减少共识序列中的随机错误,但如果许多观测都因同一种依赖序列背景的机制而出错,系统性错误就可能持续存在。更长的读段有助于跨越重复序列进行比对,但可能需要更多计算资源,而且在参考序列不完整时,仍可能被比对到错误位置。因此,排除了复杂重复区域的基准测试,可能恰恰高估了长读长测序在其最具应用价值的区域中的表现。

计算工作流程包括碱基识别、过滤、比对或组装、单倍型定相、变异检测和注释。部分步骤使用图形处理器,而组装和信号数据的保留可能需要大量内存与存储空间。不同分析需要保留的数据也不同:某项任务可能只需碱基序列,而改进修饰识别或重新进行碱基识别,则可能需要原始信号或特定平台的中间测量数据。

要确保结果可重复,仅记录仪器名称还不够。纳米孔或测序化学体系、文库试剂盒、碱基识别软件版本、模型、过滤阈值、参考基因组组装版本以及变异检测软件,都可能影响结果。技术的快速进步使评估对象不断变化:已发表的错误率或通量数值描述的是特定配置下的表现,而不是“长读长”固有且不变的属性。

参考材料和基准区域为比较提供了依据,但也必须重视其局限。经过充分表征的人类样本只能涵盖人类多样性的一部分,而在高度重复、结构多变或存在嵌合现象的区域中,建立可靠的基准变异判定结果仍然更为困难。来自独立方法的证据很有价值,因为两种失效模式不同的方法,能够比同一分析流程的反复运行更有力地检验同一种解释。

长读长数据也会引发数据隐私问题。这些数据可以揭示遗传变异、染色体尺度的单倍型和修饰模式,而样本元数据还可能提供有助于识别个体身份的背景信息。受控访问、知情同意条款和数据共享规则,既适用于处理后的序列,也适用于信息更丰富的底层测量数据。因此,在考虑保留原始数据的科学价值时,也必须同时考虑如何管理从可识别个体身份的生物样本中获得的信息。