纳米孔测序是一种测定核酸序列的方法,其原理是测量单个分子通过纳米级孔道时引起的电流变化。它可以读取脱氧核糖核酸的序列,也可以采用另一套样本制备和分析流程来读取RNA的序列。与通过荧光标记或反复进行核苷酸掺入循环来识别碱基的方法不同,纳米孔测序检测的是分子对电信号的影响。同一电信号中可以同时包含碱基序列和某些化学修饰的信息。
其主要优势是读长较长、可持续产生数据,以及无需扩增即可检测天然分子。这些特性使其适用于重建基因组、识别大规模遗传重排、研究RNA转录本,以及探究DNA甲基化。测序仪器既有便携式设备,也有高通量实验室系统。其性能取决于纳米孔、分子马达、样本制备、电子系统和计算模型;因此,“纳米孔测序”指的是一类不断发展的技术,而非某一种固定不变的检测方法。
物理原理与分子识别
测序用纳米孔在两个含有电解质的腔室之间形成一条狭窄通道。外加电压驱动离子穿过孔口,产生可测量的电流。核酸进入孔道时,会改变离子的运动,从而引起电流变化。由此得到的时间序列就是原始测序信号。检测器测量的是穿过分子所在区域及其周围的离子传导,而不是沿DNA骨架流动的电流。
对于理想化的圆柱形孔道,其内部电阻近似为
其中, 为孔道长度, 为半径, 为溶液的电导率。离子接近和离开孔口时产生的电阻也会对总电阻有所贡献。蛋白质孔既不是均匀的圆柱体,其表面也并非在化学性质上处处相同,因此,这个表达式只能说明电阻对几何参数的大体依赖关系,而不能构成完整的测序模型。表面电荷、局部离子浓度、温度,以及核酸与孔道之间的相互作用,都会影响测得的信号。
成熟的商业化系统采用经过工程改造的蛋白质孔,并将其固定在电绝缘膜中。狭窄的感应区会同时与多个相邻的核苷酸发生相互作用。因此,一个电流水平通常并不对应某个孤立的碱基,而是反映一段序列的上下文。在计算处理中,这段序列通常表示为一个 k-mer,即连续的 个碱基。随着核酸链向前移动,相互重叠的序列片段会产生一系列信号变化。要解读这些变化,既需要掌握电流幅值的信息,也需要估计分子的运动情况。
在不受控制的情况下,核酸通过孔道的速度通常过快且不规则,难以可靠地识别序列。连接在测序复合物上的马达酶负责调控运动,使核酸链以小步进方式通过感应区。马达的活动可能涉及三磷酸腺苷的消耗。这种运动并非完全均匀:停顿、长短不一的停留时间,以及偶尔出现的后退,都会使经过时间与序列位置之间的关系变得复杂。因此,必须将马达和孔道视为一个相互耦合的分子测量系统。
生物孔并不是唯一可用的传感器。固态纳米孔可以用氮化硅等材料制成;研究人员也探索了原子级薄膜,以缩短感应区。这些方法有望实现稳定可靠的制造和器件集成,但如何控制分子运动,以及如何区分化学性质相近的碱基,仍然是难题。许多固态纳米孔实验测量的是分子的长度、折叠、结合或跨孔移位,而不是读取完整的核苷酸序列。因此,检测到分子穿过纳米孔,并不等同于证明纳米孔测序已具备实用性。
从单分子实验到测序平台的发展
纳米孔测序源于膜生物物理学、单分子测量与DNA测序的交汇融合。对生物离子通道的研究早已表明,可以通过电学方法测量流经单个孔道的电流。纳米孔测序的构想将这一原理进一步拓展:如果核酸的不同部分能引起可区分的电流变化,那么当核酸链穿过孔道时,就有可能读出其序列。
1996年,约翰·卡西亚诺维奇、埃里克·布兰丁、丹尼尔·布兰顿和戴维·迪默发表了一项奠基性实验。该实验表明,单链核酸在穿过α-溶血素通道时,会引起特征性的电流阻断。这项工作为通过电学方法检测单个聚合物分子奠定了物理基础。但它尚不能实现通用的逐碱基测序:核酸通过孔道的速度很快,而且信号反映了分子与孔道相互作用的多个方面。
后续研究着力解决三个相互关联的问题:构建能够提供足够信息的感应区域、控制核酸链的运动,以及将含有噪声的电流轨迹转换为序列。α-溶血素是早期实验中使用的一种重要孔道。后来的研究采用了其他蛋白质,包括分枝杆菌孔蛋白MspA,其狭窄部位具有适于测序的空间分辨能力。将孔道与DNA聚合酶或其他分子马达偶联的实验,展示了可控的步进运动,以及随序列变化的电流测量。此后,蛋白质工程进一步改变了孔道的几何形状、电荷、稳定性及其与马达酶的兼容性。
牛津纳米孔科技公司于2014年启动了便携式MinION仪器的早期试用计划。这款设备使专业膜生物物理学实验室以外的研究者也能使用纳米孔测序,并推动用户和软件开发者社群不断壮大。早期数据集的错误率较高,但证明了连接计算机的小型仪器能够实现长读长测序。此后,孔道、马达蛋白、建库化学体系、电子系统和信号解读方法的改进,提升了技术的实际性能。
该平台随后扩展至台式和更高通量的仪器,其中较具代表性的是GridION和PromethION。测序在可更换的流动池中进行,流动池内包含由独立监测的通道组成的阵列。活性孔道并行产生数据,各个分子异步进入孔道,而不是遵循一套同步的成像循环。因此,通量取决于活跃通道的数量、这些通道的有效占用程度,以及它们能够持续产出数据的时间。
多项应用验证了这项技术在生物学领域的价值。在2014—2016年埃博拉疫情期间,便携式测序为西非的埃博拉疫情监测提供了支持。2018年,一项基于纳米孔测序的人类基因组研究展示了超长读长在基因组组装和复杂基因组区域研究中的价值。纳米孔数据还与其他技术一道,为端粒到端粒联盟于2022年发表的完整人类参考序列作出了贡献。这些成果既体现了仪器的改进,也反映了样本制备和计算分析的进步;不能将这些历史性成果仅仅归功于孔道化学体系。
样本制备、文库与读长
起始材料的物理状态在很大程度上决定了纳米孔测序实验能够获取哪些信息。对于长读长DNA测序,提取过程旨在保留大分子,同时去除蛋白质、盐、溶剂以及其他会干扰文库制备或纳米孔工作的物质。机械操作可能使DNA断裂,因此剧烈混匀和反复操作可能缩短读长。即使原始染色体很长,测序仪也无法据此还原出一条物理上连续的分子。
纳米孔测序文库通常含有测序接头,以便分子被捕获并与马达蛋白–纳米孔复合体结合。在基于连接反应的流程中,先对DNA末端进行处理,再利用包括DNA连接酶在内的酶连接接头。快速流程可利用转座酶介导的片段化和接头连接,以牺牲部分片段长度控制能力来简化制备过程。具体细节因试剂盒和应用而异。因此,在某些流程中,片段化是可选步骤,并非检测原理本身的固有要求。
无扩增测序能够保留那些可能在复制过程中丢失的信息。聚合酶链式反应通常会使原有的修饰模式被新合成DNA的修饰模式取代,还可能造成不同序列相对丰度的偏倚。尽管如此,当目标材料稀少或研究针对某个特定区域时,扩增文库仍然很有用。扩增子测序、全基因组测序和直接RNA测序属于不同的实验设计,即便其产物是在相关的仪器上进行分析的。
读长通常分布在很宽的范围内,而不是集中在某个由仪器决定的单一数值附近。常规基因组文库可产生数十千碱基长的读段,而精心制备的超长文库可产生超过100千碱基的读段,偶尔还会出现超过1兆碱基的读段。这些异常长的分子并不代表每个数据集中典型读段的长度。一项常用的长度统计指标是读段N50:将读段按长度排序后,长度不低于该值的读段所包含的碱基数,占全部测序碱基数的一半。N50不是算术平均值,也不衡量序列准确性。
DNA的量与分子长度共同影响上样效果。在质量相同的情况下,超长DNA所含的分子数少于短DNA,而且长分子可能更难操作和均匀分配。上样不足会使纳米孔闲置;污染物、有问题的分子或不合适的文库组分则可能缩短有效测序时间。因此,仅凭起始材料的质量无法预测测序产出。
通过添加可识别的条形码序列,可以对多个样本进行混合测序。随后利用计算方法将读段归属到各个样本,从而让多个文库共用一张测序芯片。在寻找低丰度生物或罕见变异时,条形码错误、污染和归属不明确的影响尤其显著。适当的对照有助于区分真实的生物学信号与采集、提取、扩增或文库制备过程中引入的物质。对于混合样本,提取过程本身就可能使各组分的相对丰度产生偏倚,因为不同细胞和生物释放核酸的效率各不相同。
碱基识别、错误模式与准确性评估
碱基识别将原始电流信号轨迹转换为核苷酸序列。早期方法通常将信号轨迹划分为若干事件,再利用概率模型推断不同序列背景之间的转换。现代碱基识别程序主要采用以配对的信号和序列数据训练的人工神经网络。尽管分子运动不规则,不同纳米孔之间也存在差异,这些程序仍须推断出有哪些碱基,以及每个时间间隔内通过了多少个碱基。
这一计算问题并不等同于对彼此独立的电流测量值进行分类。相邻观测值之间存在相关性,多个碱基会共同影响感应区域,而且信号中可能出现停滞或瞬时扰动。因此,模型需要利用时间上下文信息。模型的表现取决于训练数据、模型架构、计算精度,以及与所用纳米孔和文库化学体系的兼容性。使用改进后的模型重新处理已保存的原始信号,无须重复实验室实验,就可能改变碱基识别结果。
错误包括替换、插入和缺失。同聚物序列,即同一碱基连续重复形成的序列,历来较难准确识别,因为重复序列延长时,其持续时间的变化可能比特征电流水平的变化更明显。重复基序、修饰碱基和不常见的序列背景也可能造成系统性错误。纳米孔设计和信号模型的改进已减少了许多此类问题,但残余错误在基因组中的分布并不均匀。
序列质量通常用Phred标度表示:
其中, 是碱基识别错误的估计概率。因此, 对应的估计错误概率为1%, 为0.1%, 为0.01%。报告的质量值是模型估计值,需要通过实测数据进行校准。读段平均质量、比对一致性的中位数,以及组装基因组的一致序列质量是不同的量,不应混为一谈。
单链读段来自一条链。在双链测序中,同一DNA分子的两条互补链都会被读取,并将两者提供的信息结合起来。这可以显著提高准确性,因为两次观测共同约束的是同一个底层序列。但这也要求成功获取两条链的数据并完成配对;并非每个分子都能产生可用的双链测序结果。因此,双链测序准确性和双链测序产出量描述的是性能的不同方面。
无论是在基因组组装中,还是在特定基因组位置,综合多个分子获得一致序列,都是提高准确性的另一条途径。随着覆盖深度增加,随机错误可以相互抵消,但具有相关性的错误可能持续存在。因此,评估不能只看一个概括性的百分比。有效的衡量指标包括插入率和缺失率、重复区域中的准确性、变异检测的精确率和召回率、正反链平衡性,以及不同覆盖深度下的表现。只有明确说明所用化学体系、碱基识别程序、样本、筛选标准,以及用于评判结果的参考序列或真值集,比较才有意义。
基因组组装与遗传变异
长读长有助于重建基因组,因为它们能够跨越重复序列,而较短的片段在这些区域往往无法唯一定位。在基因组组装中,相互重叠的读段被拼接成更长的连续序列。如果一个读段跨越了整段重复序列,并延伸至其两侧具有区分度的序列,就能确定哪些相邻区域应当连接在一起。这对于含有长片段重复、转座元件和重复基因家族的基因组尤其重要。
仅凭读长并不能保证获得完整的组装结果。有些重复序列比现有读段还长,高度相似的拷贝仍可能难以区分,而覆盖不均则可能留下缺口。组装软件还必须处理测序错误,并区分真实的生物学变异与相互矛盾的观测结果。基于读段重叠的方法,以及根据序列匹配关系构建的图结构,都已针对长读长数据进行了适配;随后再通过序列校正,利用读段证据提高组装序列的准确性。
纳米孔读段特别适合研究结构变异,这类变异通常指涉及约50个或更多碱基对的基因组变化,包括插入、缺失、倒位、重复,以及将原本彼此分离的区域连接起来的重排。一个长读段可能直接跨越断点,也可能包含参考序列中不存在的插入序列。多个读段给出相互一致的比对结果,比单个异常比对更有说服力,因为后者可能源于嵌合分子或比对错误。
长分子也有助于单倍型定相,即确定哪些变异位于同一条遗传而来的染色体上。跨越多个杂合位点的读段可将这些位点的等位基因在物理上关联起来。相互重叠的关联可以将定相区块延伸至更大的区域。当两个变异影响同一个基因时,这一点尤为重要,因为它们位于同一条染色体拷贝上,还是分别位于两条拷贝上,可能会带来不同的生物学解释。长读段还可以将序列变异与等位基因特异性的修饰模式联系起来。
难以解析的区域包括片段重复、重复序列扩增、着丝粒和端粒。跨越扩增重复序列及其两侧独特序列的读段,可帮助估计重复序列的长度,并描述重复序列内部的中断情况。不过,极长或因序列组成而难以测定的扩增区域,仍可能在数据中代表不足;观测到的长度分布也可能同时反映生物学上的嵌合现象和技术因素的影响。准确解读取决于具体位点、样本制备方法和分析流程。
2022年发布的完整CHM13人类参考基因组体现了不同测序技术的互补性。超长纳米孔读段帮助解析了大型重复结构,而高准确度长读段及其他证据则为序列重建和验证提供了支持。这一成果并不意味着任何一种读段类型就能解决所有组装难题。对于普通二倍体样本,区分来自父母双方的染色体拷贝,会带来在基本纯合的参考样本中不存在的额外复杂性。群体尺度的研究还必须表示单一线性参考基因组中缺失的序列,这也使纳米孔测序与泛基因组及基于图的分析方法的发展紧密相连。
天然DNA修饰与直接RNA测序
纳米孔信号不仅反映标准碱基的种类,也会响应分子的化学性质。修饰核苷酸可能改变其周围序列环境所产生的电流。因此,无须先通过化学处理将修饰转化为序列变化,就能推断某些修饰的存在。目前研究最成熟的例子是DNA甲基化,尤其是特定序列环境中的5-甲基胞嘧啶。
修饰识别是根据信号进行的统计推断,而不是直接观察并辨认某个化学基团。模型使用修饰状态已知或经实验控制的样本进行训练,可以为测序读段覆盖的各个位点估算存在某种修饰的概率。汇总不同分子的识别结果,可以估计修饰频率;保留单条读段的信息,则可以分析同一DNA分子上不同位置的协同修饰模式。观测到的中间水平修饰频率,可能源于不同细胞、等位基因或分子状态的混合,而不意味着每个分子都处于部分修饰状态。
序列识别与修饰识别会相互影响。模型未涵盖的修饰可能影响常规碱基识别,而错误的序列比对可能导致修饰位置判定失真。区分化学性质相近的修饰,可能需要专门的模型和适当的对照。针对某一种修饰、某个物种或某种序列环境验证的性能,不能直接推广到所有化学标记。因此,表观遗传学研究会将信号分类的技术能力与所得模式的生物学解释区分开来。
直接RNA测序让RNA链穿过纳米孔,而不是仅仅读取其DNA拷贝。在广泛使用的多聚腺苷酸化RNA测序流程中,接头从RNA的3′端开始连接,随后朝其5′端方向读取分子。制备过程中可能会合成一条互补DNA链,但产生序列依赖性纳米孔信号的链是RNA。这一点将直接RNA测序与互补DNA的纳米孔测序区分开来。
RNA长读段能够将相距较远的外显子关联起来,并表征转录本异构体,因此这种方法与RNA剪接和可变剪接研究密切相关。它们可以揭示哪些剪接连接位点共同出现在同一个分子上,而不必完全依靠短片段来推断转录本结构。读段起始部分附近的信号还可提供有关多聚腺苷酸尾(poly(A)尾)长度的信息。这些测量有助于研究转录本的加工、稳定性和调控,但每一项都依赖专门的分析模型。
直接RNA测序也有其特有的局限。RNA降解会造成分子截短,测序可能在到达5′端之前终止,而文库设计可能会优先捕获特定类别的RNA。以poly(A)为靶标的标准流程无法均等地覆盖细胞内的所有RNA。其通量、错误模式和全长序列获取率也不同于DNA测序。RNA修饰可以影响信号,但要可靠地识别修饰,就需要针对具体修饰进行验证,并充分考虑序列环境。短读长RNA测序、生物化学检测和靶向实验等互补方法,对于区分真实的转录本特征与技术伪影仍然十分重要。
实时分析、选择性测序与计算
在纳米孔测序中,分子通过各个独立通道时,数据便会持续产生。分析可以在一轮测序结束前启动,从而及早估算样本组成、覆盖情况以及目标是否检出。这种流式架构不同于那些只有在仪器完成整轮运行后才能获得大部分可用序列的工作流程。不过,获得答案所需的时间仍须计入样本制备、计算处理,以及积累足够证据以作出可靠判断的时间。
自适应采样利用这种实时获取数据的能力,在测序过程中选择分子。软件检查读段的起始部分,依据预设的目标判定标准对其分类,并决定是否继续测序。如果该分子不符合要求,仪器可以反转电压将其排出,使纳米孔可供另一个分子使用。视具体应用而定,分类可以使用初步碱基识别得到的序列,也可以使用更直接地从电流信号中提取的特征。
这种方法无需增加针对特定目标的捕获反应,就能富集选定的基因组区域,或减少对高丰度背景材料的测序。其效果取决于决策速度、片段长度、目标丰度、参考序列质量,以及被排出的分子能多快被新分子替代。每个被排出的分子都已经占用了一定的纳米孔时间。短片段在完成分类时可能已经接近测序结束,而对于极为稀少的目标,其检测仍受限于进入纳米孔的频率。
自适应采样不同于实验室中的靶向富集。例如,成簇规律间隔短回文重复序列相关核酸酶可以在选定区域附近切割DNA,使文库制备过程优先纳入所需片段。基于扩增的靶向方法会在测序前增加选定序列的数量,但扩增产物通常不保留原始分子的天然修饰信息。这些方法作用于工作流程的不同阶段,也各有不同的偏倚。软件筛选无法找回在提取或制备过程中已被去除的目标分子。
计算需求差别很大,从资源需求较低的监测,到计算密集型的实时碱基识别和序列比对,都有涉及。准确度更高的模型通常需要更多计算资源,这些资源往往由图形处理器或仪器集成硬件提供。如果处理速度跟不上数据采集速度,可以先保存原始信号,留待后续分析,但这会延误需要即时决策的应用。信号文件、碱基识别后的读段、比对结果,以及由此推断的修饰识别结果,分别属于不同的数据层,每一层都有各自的存储和可重复性要求。
实时停止规则在统计上也需要谨慎设计。检测到某种生物的少量读段,并不等于已获得足够的基因组覆盖,也不等于证明另一种生物不存在。相关考量包括提供支持的独立分子数、覆盖广度、污染对照,以及分类的不确定性。同样,即使达到了名义上的平均测序深度,难以测序的区域仍可能覆盖不足。为确保分析可重复,需要记录纳米孔化学体系、文库制备方法、碱基识别模型、软件版本、参考数据库和过滤规则。由于计算解读方法会随时间演进,保留原始信号可以为今后保留仅凭序列文件无法实现的分析选择。
生物医学、公共卫生与环境应用
在人类遗传学中,纳米孔测序用于研究结构变异、重复序列扩增、复杂基因座和修饰模式。单个长分子可以将重排与附近的序列变异关联起来,或确定重复序列扩增在基因组中的位置及其周边序列背景。在癌症研究中,研究人员也在探索将序列分析与甲基化分析相结合的工作流程,因为肿瘤样本可能混有正常细胞和恶性细胞,而这些细胞的拷贝数和分子状态各不相同。
临床应用需要针对明确的用途进行验证。检测大型重排时的性能,并不能证明对单碱基替换、低频变异或所有基因组区域都具有同等的灵敏度。验证内容包括样本类型、最低覆盖度、可报告的变异类别、可重复性、污染情况,以及与成熟方法的比较。仪器快速输出结果只是影响诊断周转时间的一个环节;样本处理、结果解读、必要时的确认以及报告出具,都可能占据工作流程的相当一部分。
在传染病相关工作中,纳米孔测序可用于鉴定生物、重建病原体基因组,以及检测已知的抗微生物药物耐药决定因素。长读长有助于将耐药基因与质粒或染色体关联起来,并能解析重复出现的可移动遗传元件。然而,检出耐药相关基因并不总是等同于证实存在耐药表型。基因表达、基因完整性、遗传背景,以及数据库未收录的耐药机制,都可能影响序列信息与实验室药敏测定结果之间的关系。
便携式测序已在埃博拉和寨卡等疫情暴发期间支持基因组监测。部分仪器体积小巧,可部署在样本采集地点附近,而持续分析能够及早提供与传播有关的变异信息。现场使用仍需要核酸提取设备、试剂、污染控制措施、电力和计算资源。便携性降低了对部分基础设施的要求,但并未消除对受过培训的人员或适当生物遏制措施的需求。
宏基因组学利用测序技术分析土壤、水、食品或临床标本等样本中的混合遗传物质。长读长能够改善微生物基因组的组装,并将功能基因与其周围的基因组序列关联起来。如果含有足够多可用于区分的序列信息,长读长也有助于区分亲缘关系密切的生物。样本制备仍是偏倚的主要来源:不同生物的细胞壁结构、基因组丰度以及DNA降解敏感性各不相同,而临床标本中宿主来源的物质可能占据主导地位。
环境领域的应用包括研究微生物群落、追踪水系统中的生物,以及表征采样不足地区的遗传多样性。这些应用所能提供的证据及其局限,取决于具体的研究问题。检出DNA并不一定能证明某种生物仍然存活、正在当地繁殖,或其浓度与对应的读段数成正比。反过来,未检出某段序列,也可能是由采样深度、提取偏倚或参考数据库不完整所致。涉及人类的数据集还带来了知情同意和数据隐私方面的额外责任,因为即使直接目标是检测病原体,长读长仍可能包含可用于身份识别的遗传信息及与之关联的分子特征。