aiwiki.page
中文
科学 / 生物 / next-generation-sequencing

新一代测序

新一代测序利用大规模并行技术读取核酸序列,支持对基因组、基因活性、生物多样性及疾病开展大规模研究。

48 个关键词7 个词条链接到这里6 个尚未撰写AI 撰写
DNARNADNA测序遗传学分子生物学癌症人类基因组计划DNA连接酶新一代测序

新一代测序(NGS)是一组能够并行测定大量脱氧核糖核酸或RNA分子序列的技术。传统的DNA测序基于链终止反应,并逐一分辨反应产物;与之不同,NGS将测序过程分散到数百万乃至数十亿个空间上彼此分离的模板或单分子上进行。由此获得的序列片段称为读段,可通过计算分析来重建基因组、测定分子丰度、识别遗传差异,或解析复杂生物样本的特征。

这一术语最初主要指在2000年代中期实现商业化的短读长测序平台。此后,其使用范围逐渐扩大,不过有些分类体系仍将短读长的“第二代”测序与单分子的“第三代”测序区分开来。这些界限并非绝对:并行化程度、分子扩增方式、读长和检测所用的化学体系各有不同,彼此并不绑定。在当今实践中,高通量测序既涵盖短读长方法,也涵盖长读长方法,具体选择取决于所研究的生物学问题及样本的特性。

NGS使全基因组和转录组尺度的测定从少见的研究手段变为常规操作,从而改变了遗传学和分子生物学的面貌。其应用范围从遗传病和癌症研究,延伸到环境调查、作物改良、传染病监测及古基因组研究。不过,测序结果并不只取决于仪器:样本采集、文库制备、实验设计、统计分析和结果解读,共同决定了数据能够支持哪些生物学结论。

历史发展与技术范畴

NGS 的直接前身是弗雷德里克·桑格及其同事于 1977 年提出的桑格测序法。其核心机制是在 DNA 合成过程中掺入能够终止链延伸的双脱氧核苷酸。此后,自动化荧光检测和毛细管电泳提高了测序通量。人类基因组计划于 1990 年启动,并于 2003 年宣布完成,其中使用的大部分序列数据均由这项技术提供。尽管多根毛细管可以同时运行,但每根毛细管通常只能分离解析来自一个模板的一组片段。因此,要扩大测序规模,就必须大量重复实验操作并增配仪器设备。

20 世纪 90 年代至 21 世纪初的多项进展改变了这一技术架构。研究人员开发出将 DNA 固定在表面、将单个模板扩增为局部聚集的克隆簇,以及同时检测多个位置上核苷酸掺入情况的方法。这些方法减少了逐一处理测序反应的需要。焦磷酸测序、大规模并行特征序列测序、聚合酶克隆测序以及可逆终止子化学等领域的研究,为此提供了重要的理论与技术基础。尚卡尔·巴拉苏布拉马尼安和戴维·克勒纳曼开发了 Solexa 测序所依据的方法,而乔纳森·罗思伯格及其同事则开发了由 454 Life Sciences 公司推向市场的技术。

2005 年,一篇介绍 454 平台的论文展示了在微加工反应孔中进行测序的方法,其规模远超传统毛细管测序方法。Solexa 仪器于 2006 年开始商业销售,Illumina 于 2007 年收购了 Solexa。应用生物系统公司的 SOLiD 平台采用连接测序法,为并行序列检测提供了另一条技术路径。Ion Torrent 于 2010 年将半导体测序技术推向市场;该技术检测的是 DNA 合成所伴随的化学变化,而非荧光信号。平台间的竞争推动了测序产出迅速提高、成本快速下降,但不同平台也形成了各自特有的错误模式和分析要求。

单分子测序方法与这些依赖模板扩增的技术同步发展。太平洋生物科学公司于 2011 年将单分子实时测序技术商业化。牛津纳米孔技术公司于 2014 年启动 MinION 早期试用计划,推出了一款便携式仪器,可根据分子穿过纳米孔时引起的电流变化推断序列。这些平台使获得长得多的测序读段成为现实,并减少了对扩增的依赖,不过,其准确性和通量在最初商业化后又经历了显著提升。

因此,与其将 NGS 视为一种实验室技术,不如将其理解为一类测量系统。短读长仪器通常侧重于产生数量庞大、准确且相对较短的序列读段;长读长仪器则能保留更多关于单个分子序列连续性的信息。无论是读长还是通量,都不能单独决定技术在分析中的实用价值。比较这些技术时,需要考虑起始分子材料的要求、系统性错误、周转时间、可用数据产量、计算资源需求,以及解析所研究的特定生物学特征的能力。

样本制备与测序文库

测序文库是经过制备、形式上适用于特定测序平台的一组核酸分子。文库构建始于从血液、培养细胞、组织、土壤或保存标本等材料中提取核酸。提取过程必须在回收目标分子的同时,尽量减少抑制物的残留和核酸降解。对于长读长测序,DNA片段长度尤为重要;而RNA测序流程则必须考虑RNA化学性质不稳定,以及各类RNA丰度差异悬殊的问题。单纯增加测序读段数量无法弥补样本质量的缺陷:测序前丢失或发生改变的材料,可能造成无法消除的信息缺失或偏倚。

在许多短读长测序流程中,DNA先经机械或酶法片段化,再进行末端修复,随后利用DNA连接酶连接合成的接头序列。接头可提供测序引物的结合位点,也可用于将分子固定到仪器表面或进行扩增。在转座酶介导的片段化与接头标记过程中,转座酶在切割DNA的同时引入接头相关序列,将原本需要分步完成的操作合并。长读长测序文库通常避免过度片段化,而是尽可能保留高分子量DNA。不同平台对末端结构有不同要求,例如环状模板,或与蛋白质相连、可控制分子通过纳米孔的接头。

文库可通过聚合酶链式反应(PCR)进行扩增。扩增可增加材料量,并富集构建正确的文库分子,但也可能使相对丰度失真,并优先扩增具有特定长度或碱基组成的片段。聚合酶引入的错误也可能被复制到大量后续拷贝中。无PCR文库制备省去了这一步扩增,但通常需要更多起始材料。在RNA测序中,通常先用逆转录酶将RNA转化为互补DNA,再构建文库;纳米孔平台还提供直接RNA测序这一替代方案。

样本索引是预先设定的短序列,用于区分同一次测序运行中混合的不同文库。样本索引应与唯一分子标识符(UMI)区分开来;后者用于标记原始分子,以便通过计算识别其扩增产生的后续拷贝。双索引策略利用与文库分子两端相关联的标识序列,有助于识别或减少某些类型的样本错误归属。无论样本索引还是UMI,都无法消除所有错误:索引污染、条形码碰撞、模板损伤,以及分子标记前引入的错误,仍可能影响结果。

文库制备既可以涵盖整个样本,也可以富集选定区域。外显子组测序主要捕获蛋白质编码区,而靶向测序面板则聚焦于指定基因或位点。杂交捕获利用互补探针回收目标片段;扩增子测序则采用靶向PCR。这些策略将测序资源集中于目标区域,但也使结果依赖于探针设计、引物结合情况和捕获效率。因此,最终文库代表的是原始样本经过筛选和处理后的版本,而非对其中全部分子完全无偏倚的完整呈现。

短读长测序机制

应用最广泛的短读长测序方法是通过循环检测核苷酸进行的边合成边测序。在 Illumina 型技术流程中,文库片段结合到流动槽表面,随后在局部进行扩增,形成由同源模板组成的簇。每个测序循环中,DNA聚合酶都会掺入一个带有标记和可逆封闭基团的核苷酸。通过成像识别掺入的碱基后,去除荧光标记和封闭基团,使合成得以继续。不同代际的仪器采用不同的标记和成像方案,但都需要将连续发生的掺入事件归属于空间上可分辨的模板簇。

簇扩增使每个位置的信号足够明亮,能够被光学系统检测到,但也带来了同步性问题。理想情况下,一个簇内的所有模板拷贝在每个循环中都恰好掺入一个核苷酸。实际上,有些拷贝相较于其他拷贝会滞后或超前,产生相位滞后和相位超前。因此,随着测序进行,信号会变得越来越不清晰。碱基识别软件会对这些效应进行建模,而读段质量通常也会沿着读段发生变化。提高簇密度可以增加产出,但当信号重叠或其他仪器限制开始产生影响时,可用数据量就会下降。

双端测序从文库片段的两端分别读取序列。例如,一次 2×1502 \times 150 碱基的测序运行,会从每个成功测序的片段生成两条各长达 150 个碱基的读段。两条读段在参考序列上的比对位置间距反映了该片段的插入片段长度,可为序列比对、小变异检测和结构分析提供有用信息。这对读段不一定能揭示两端之间的每一个碱基:如果插入片段长度超过两条读段长度之和,中间区域就仍未被测序。如果两条读段存在重叠,其序列的一致性则有助于验证碱基识别结果。

其他短读长测序平台检测的是 DNA 合成产生的不同变化。焦磷酸测序在核苷酸掺入并释放焦磷酸后,测量由酶促级联反应产生的光信号。半导体测序则将伴随核苷酸掺入而释放的氢离子检测为局部酸碱度的变化。由于这些方法每次只提供一种核苷酸,连续相同碱基的数量必须根据信号强度来推断。例如,区分连续六个腺嘌呤和七个腺嘌呤,可能比区分单个碱基替换更加困难。连接测序系统则利用酶连接带标记的寡核苷酸,并通过反复探测推断待测序列。

短读长测序兼具高通量、成熟的分析方法和通常较高的单碱基准确率,但其有限的覆盖跨度会带来内在的歧义。一条来自长重复序列内部、长 150 个碱基的序列,可能与基因组中的多个位置同样匹配。扩增过程以及依赖序列特性的化学反应,也可能使某些区域难以获得均匀覆盖。这些局限解释了为什么即使平均碱基准确率很高,也不能保证完整重建一个基因组、准确测量每个位点,或可靠地检测每一类遗传变化。

长读长与单分子测序

长读长测序可在数千至数十万个碱基的范围内保持序列的连续性,具体取决于测序平台、样本制备方式和分子质量。它的主要优势并不只是每次观测能获得更多序列。足够长的读段可以连接重复序列两侧的独特序列、跨越复杂重排区域,或分辨同一条实体分子上共同携带的变异。这些能力对于研究高度重复区域、重复基因以及单条染色体的组织结构尤为重要。

在 Pacific Biosciences 的单分子实时测序中,聚合酶在称为零模波导的微小光学观测空间内合成 DNA。通过荧光信号,可以依次识别掺入的核苷酸。在环形一致性测序中,接头将含有 DNA 插入片段的模板构建成环状,使聚合酶能够反复读取该插入片段。多次观测结果随后被整合为一条一致性序列。达到高准确度标准的读段通常称为 HiFi 读段。其可用长度在一定程度上取决于插入片段长度与可获得的重复读取次数之间的权衡。

纳米孔测序利用嵌入膜中的蛋白质孔道和外加电势进行测序。马达蛋白调控 DNA 或 RNA 穿过孔道的运动。测得的电流取决于附近的多个核苷酸,而非单个孤立碱基,因此,确定序列需要借助模型,将变化的信号与局部核苷酸组合联系起来。现代碱基识别程序常使用人工神经网络。读长很大程度上受输入分子的长度和完整性影响;超长读长方案可以产生超过一百万个碱基的单条读段,但并非每次样本制备都能获得这样的读段。

单分子测量可以保留一些在传统扩增流程中会丢失的信息。在具备合适模型和对照的条件下,聚合酶动力学和纳米孔电流模式能够揭示某些修饰碱基,包括某些形式的DNA甲基化。纳米孔平台还可以直接对天然 RNA 进行测序,无须先将 RNA 复制为 DNA,即可获得转录本序列及部分与修饰相关的信号。对修饰的推断仍取决于化学环境、训练数据、测序覆盖度,以及能否将修饰引起的信号变化与其他原因造成的变化区分开来。

长读段有助于开展单倍型定相,即确定哪些变异位于同一条亲本来源的染色体拷贝上;也有助于基因组从头组装,即不只是将所有读段比对到已有参考序列上,而是重建基因组。端粒到端粒联盟于 2022 年公布了首个基本无缺口的人类基因组序列,长读段为此作出了重要贡献;该序列代表一个基本纯合的基因组,不包含 Y 染色体。不过,长读长测序仍存在各平台特有的局限:DNA 提取可能要求较高,构建一致性序列可能需要较高的测序覆盖度,而准确度也会随序列背景和运行模式而变化。结合使用短读段与长读段,可以发挥两者的互补优势。

实验设计、覆盖度与统计功效

测序深度描述对目标序列进行采样的充分程度。基因组平均覆盖深度通常可用下式近似计算:

C=NLG,C = \frac{NL}{G},

其中,NN 为读段数,LL 为读段的平均可用长度,GG 为目标序列的大小。对于双端测序数据,必须始终将 NN 定义为单条读段的数量,或者调整公式,将两端的读段都计入。要使人类单倍体参考基因组达到 30 倍覆盖,在尚未计入数据损失、覆盖不均和读段重叠的情况下,约需 900 亿个比对到参考基因组的碱基。这并不意味着每个位点都恰好被观测到 30 次。

平均深度不同于覆盖广度,后者是目标序列中达到或超过指定深度的部分所占的比例。在假设采样相互独立且均匀的理想化泊松模型下,一个碱基没有任何读段覆盖的概率为

P(0)=e−C.P(0) = e^{-C}.

实际文库并不符合这一模型,因为序列组成、扩增、捕获效率、重复区域和片段结构都会影响采样。因此,对于因系统性因素而难以覆盖的区域,提高平均深度所带来的收益可能逐渐减小。报告目标序列在各个覆盖深度阈值下的覆盖比例,比仅报告一个平均值更有参考价值。

变异检测既取决于总深度,也取决于携带该变异的分子所占的比例。在二倍体样本的一个简单杂合位点,预期的替代等位基因比例约为二分之一。在肿瘤、嵌合组织、混合的生物个体样本或混合微生物群落中,相关变异所占的比例可能低得多。在理想的独立采样条件下,频率为 ff 的变异在测序深度为 dd 时,没有任何支持读段的概率为 (1−f)d(1-f)^d。许多分析流程要求不止一次观测到变异才能将其检出,而实际检测表现还受到错误率、比对歧义、污染和文库复杂度的限制。

文库复杂度是指文库所代表的不同原始分子的数量及其多样性。对于已被充分测序的文库,进一步加深测序主要只会增加对已采样分子的重复观测。因此,PCR 重复读段并不总能视为独立证据。唯一分子标识符(UMI)可以提高分子计数的准确性,尤其适用于低起始量和罕见变异检测,但能够达到的灵敏度仍取决于进入实验的原始分子数量。如果某个等位基因不存在于所采集的材料中,无论计算方法如何改进,都无法可靠地将其检出。

实验重复旨在处理另一种来源的不确定性。对同一文库进行两次测序,可以更充分地表征技术采样,但不能替代独立的生物学样本。在比较基因表达时,增加生物学重复,可能比大幅提高少量样本的测序深度更有助于了解群体变异。随机化、均衡安排处理批次、设置阴性对照以及采用明确定义的参考材料,有助于区分生物学效应与实验室效应。因此,研究设计关注的是如何在样本和对照之间分配测序资源,而不只是购买多少读段。

生物信息学与序列数据解读

分析首先将仪器信号转化为碱基判读结果及相应的质量估计。Phred 质量分数将估计错误概率 pp 表示为

Q=−10log⁡10(p).Q = -10\log_{10}(p).

因此,Q30Q30 对应的碱基判读错误概率估计值为 0.0010.001。这类分数描述的是模型的置信程度,并非对正确性的无条件保证;其校准情况可能随平台、序列背景和软件版本而变化。对于某些技术,可以使用改进的碱基判读模型重新处理原始信号,因此保留原始测量数据具有科学价值。

测序读段及碱基质量通常存储在 FASTQ 文件中。初步质量评估会检查读段长度、质量分布、接头污染、异常序列组成,以及可能存在的样本污染。去除接头和质量过滤可能改善下游分析的表现,但过于激进的处理也可能丢失有用证据或扭曲片段分布。多样本混合测序的数据集还需要根据样本索引进行拆分;包含唯一分子标识符(UMI)的工作流程则需要专门处理这些分子标识符,而不能将其视为生物序列。

在基于参考序列的分析中,序列比对将读段定位到已有基因组或其他序列集合上。短读段比对工具采用索引策略,高效搜索大型参考序列;长读段比对工具则针对更长的序列和不同的错误模式进行适配。比对记录通常存储为 SAM、BAM 或 CRAM 文件。比对质量估计的是读段被分配到某一位置的可信度,与碱基质量不同。一个读段的碱基可能非常准确,但由于其序列在参考序列中重复出现,仍可能无法唯一定位。如果参考序列缺少相关序列,就可能导致错误比对或无法比对。

变异检测推断单核苷酸替换、短片段插入和缺失、拷贝数变化,以及较大规模的重排等差异。这些变异类型需要不同的证据,通常也需要不同的算法。小变异检测工具可能综合碱基质量、读段方向、局部组装,以及用于计算基因型似然的统计模型。结构变异分析则利用拆分比对、异常的双端读段间距、测序深度变化,或跨越重排连接点的读段等信号。结果通常以变异检出格式(VCF)表示,但文件扩展名相同,并不意味着分析结果具有相同的确定性。

基于组装的分析与定量分析采用不同的路径。基因组组装根据读段之间的重叠或图结构关系重建较长的序列,而转录本定量则估计基因或转录本异构体的丰度。统计解读必须考虑多重检验、批次效应和归属判定的不确定性等问题。参考资源、软件版本、参数和过滤规则都可能实质性地改变结果。因此,为确保可重复性,需要记录完整的分析流程,包括参考基因组版本和注释,而不能仅保存最终的变异或差异表达基因列表。

转录组学、单细胞分析与调控基因组学

RNA测序用于测量样本中的RNA分子。在典型实验中,RNA先被转化为互补DNA,再进行测序,随后将测序读段计数归属于相应的基因或转录本。由于核糖体RNA往往占总RNA的大部分,文库制备时可以富集带有多聚腺苷酸尾的RNA,或去除核糖体RNA。这些选择决定了能够观测到的转录本群体:富集带有多聚腺苷酸尾的RNA会排除许多非编码转录本和不带多聚腺苷酸尾的转录本,而采用去除策略的方法则能捕获更广泛的RNA种类。链特异性方案可保留RNA来源于哪条链的信息。

读段计数受转录本丰度、测序深度、转录本长度以及具体实验方案效率的影响。因此,样本间比较需要适当的归一化处理和统计模型,而不能直接比较未经校正的计数。许多差异表达分析方法采用的计数模型,允许变异程度超过简单泊松抽样所能解释的范围。短读段可以识别剪接位点并揭示可变剪接,但当多个转录本共享外显子时,很难判断读段具体属于哪一个转录本。长读长RNA测序方法能够观测单个转录本结构中更大范围的片段,但分子不完整、覆盖度和文库伪影仍是重要的限制因素。

单细胞测序将分子测量结果按单个细胞或细胞核加以区分。一些工作流程将细胞分离到各个微孔中;另一些则将细胞与带条形码的微珠一同包封在液滴中。细胞条形码用于识别分子来自哪个分隔单元,而唯一分子标识符(UMI)则有助于对捕获的RNA分子进行计数。大规模单细胞RNA测序数据集使研究人员能够细致描述细胞群体及发育过程中的状态转变。多数高通量方案只能捕获每个细胞中一小部分RNA,而且许多方案侧重于转录本的一端,而非其完整结构。

分析单细胞数据集时,需要特别注意伪影。两个细胞可能进入同一个分隔单元,形成双细胞;受损细胞释放的RNA可能污染其他分隔单元;捕获效率的差异也可能表现得像生物学变异。计数为零可能意味着目标分子确实不存在、丰度很低,或未能成功采样。计算聚类将表达模式相似的细胞归为一组,但由此得到的细胞簇是分析方法划分的结果,仍需作出生物学解释。空间转录组学方法保留组织位置信息,其分辨率因方法而异,可从包含多个细胞的捕获区域延伸至亚细胞尺度的测量。

除RNA丰度外,测序也可用于测量调控相关特征。染色质免疫沉淀后测序可识别与特定蛋白质或组蛋白修饰相关的富集DNA片段。包括ATAC-seq在内的染色质可及性检测方法,利用转座酶插入来识别在检测条件下更易被接近的区域。基于亚硫酸氢盐的测序会使许多未甲基化的胞嘧啶发生转化,而5-甲基胞嘧啶则相对不受影响,因此可据此推断修饰状态,但必须充分考虑DNA损伤及相关胞嘧啶修饰所带来的限制。这些方法共同支持表观遗传学和调控基因组学研究,但富集程度、可及性与分子丰度衡量的是不同性质,不能作为可相互替代的基因活性指标。

群体基因组学、微生物群落与演化研究

大规模测序揭示了群体内及物种间的遗传变异。全基因组数据集可用于估算遗传多样性、群体历史、亲缘关系、重组情况以及等位基因的分布。2008 年启动的千人基因组计划建立了一个广泛使用的人类遗传变异参考资源;其 2015 年的主要分析纳入了来自 26 个群体的 2,504 名个体。这类资源改进了变异解读和统计填补,同时也表明,参考面板的实用性取决于其涵盖了哪些群体和变异类型。

群体研究将测序与群体遗传学及全基因组关联研究联系起来。测序能够发现罕见变异,以及基因分型芯片未能充分覆盖的变异,但关联本身并不能确立因果关系。群体结构、亲缘关系、环境差异和技术批次效应都可能造成误导性的相关性。基于测序读段的测量还会受到参考偏倚的影响:与参考序列更相似的分子,可能比差异较大的分子更容易比对成功,从而使观测到的等位基因频率发生偏差。图结构参考基因组和泛基因组旨在比单一线性参考基因组涵盖更广泛的序列及基因组排列形式。

在微生物研究中,靶向标记序列测序与宏基因组学回答的是不同的问题。对 16S 核糖体 RNA 基因进行测序,可以分析多种细菌和古菌的组成;而鸟枪法宏基因组测序则对样本中所有可回收基因组的 DNA 进行取样测序。鸟枪法测序数据能够揭示基因,并支持在无需培养的情况下重建微生物基因组。然而,回收的 DNA 可能来自活的生物体、死亡的生物体或细胞外物质,因此仅凭 DNA 的存在并不能证明存在生物活性。基于 RNA 的宏转录组学能够提供有关已表达基因的补充信息,但也带来了额外的采样要求和稳定性限制。

群落组成通常以相对丰度衡量:一种生物的丰度增加,即使其他生物的绝对丰度保持不变,也可能使它们的表观比例下降。提取效率、细胞壁结构、标记基因拷贝数和数据库完整性也会影响估算结果。亲缘关系相近的菌株可能共享大部分序列,从而增加组装和丰度估算的难度。对于低生物量样本,阴性对照尤为重要,因为试剂中的污染物可能占据测序读段的相当大比例。同样,环境 DNA 调查也需要审慎考虑 DNA 的迁移、存留以及参考序列库不完整等因素。

对古DNA的测序拓展了有关人类演化、灭绝生物和过去生态系统的研究。古 DNA 分子通常较短、存在化学损伤,并混有大量微生物 DNA。胞嘧啶脱氨基可产生具有特征性的表观碱基替换,尤其常见于片段末端附近;而现代来源的污染物可能淹没内源性遗传物质。因此,真实性鉴定需要综合多方面证据,包括分子损伤模式和实验室对照。古代与现代基因组之间的比较揭示了群体迁移和杂交,但遗传模式并不能直接确定语言、文化认同或考古学上的归属。

临床与公共卫生应用

临床测序在经过验证的实验室工作流程下,运用高通量方法解答明确的医学问题。靶向基因检测组合、外显子组测序和全基因组测序所检测的变异类型及覆盖区域各不相同。对于疑似遗传性疾病,测序有助于识别能够解释患者表型的变异,尤其是在将患者数据与其父母的序列进行比较时。然而,对某个基因进行测序,并不等于证实检出的改变会导致疾病。变异解读需要将分子检测结果与遗传方式、人群频率、功能证据及患者有记录的临床特征相结合。

区分分析性能与临床性能至关重要。分析有效性关注的是检测方法能否在特定条件下准确检出指定变异;临床有效性关注的是该检测结果与某种疾病或状况之间的关系。临床实用性则关注检测对诊疗和结局的影响。某个变异可能在技术上确实存在,却无法作出临床解读。美国医学遗传学与基因组学学会和分子病理学协会于2015年联合发布的指南,为孟德尔遗传病中的序列变异解读确立了广泛采用的分类,包括“致病”“可能致病”和“意义未明变异”。随着证据不断积累,分类可能发生变化。

癌症测序检测遗传性改变和后天获得性改变,通常同时使用肿瘤组织及配对的非肿瘤样本。肿瘤标本可能混有恶性细胞和非恶性细胞,并包含多个肿瘤亚克隆。观测到的等位基因频率取决于肿瘤纯度、局部拷贝数和克隆组成,而不仅仅取决于是否存在某个突变。有些检测会分析血浆中的循环游离DNA。由于其中来源于肿瘤的分子可能只占很小一部分,抑制低频检测中的错误并谨慎解读结果尤为重要。与年龄相关的血细胞克隆所携带的变异,也可能使判断血浆检测结果是否源于实体瘤变得更加复杂。

基于测序的产前筛查体现了筛查与诊断之间的区别。此类检测分析母体血液中的游离DNA,其中包括来源于胎盘的成分,以估计胎儿出现某些特定染色体异常的可能性。其结果既不是对胎儿每个细胞的直接测量,也不是覆盖全基因组的确定性诊断。其他临床应用还包括识别感染性病原体和研究耐药决定因素。病原体检测的可靠性取决于标本类型、采样时间、污染控制、基因组覆盖度,以及所检出序列的生物学相关性。

在公共卫生领域,病原体全基因组测序可支持疫情暴发调查,并监测与传播相关的变异。在COVID-19大流行期间,这项技术被广泛用于追踪SARS-CoV-2谱系。高度相近的基因组可为流行病学关联提供支持,但仅凭这些基因组并不能证明存在直接传播,也不能确定传播方向。采样缺口、突变速率、宿主体内的多样性及流行病学背景都需要纳入考虑。在各类临床应用中,实验室都会针对明确的标本类型和变异类别验证检测方法;在某一种应用中得到证实的性能,并不能自动适用于另一种应用。

技术局限、标准与数据治理

新一代测序的误差可产生于多个环节:起始分子损伤、污染、文库扩增、信号检测、序列推断、比对以及生物学解读。有些误差近似随机发生,另一些则会在特定序列背景或基因组区域中反复出现。重复观测可以减少相互独立的随机误差,却可能强化系统性误差。例如,一组始终被错误比对的读段,可能为一个并不存在的变异提供看似有力的支持。反过来,若通过过滤去除所有存在歧义的证据,也可能排除重复或重复序列区域中的真实变异。

因此,测序基准评估不能仅依赖一个全基因组准确率指标。对于碱基替换、小片段插入和缺失、重复序列扩增、拷贝数变化及复杂重排,检测的灵敏度和精确率各不相同。用于基准评估的真值集本身也有适用边界和不确定性。由美国国家标准与技术研究院牵头、与合作机构共同开展的“瓶中基因组”(Genome in a Bottle)计划,为人类基因组分析开发参考物质和基准数据集。只有明确评估区域、变异定义、匹配规则和置信区间,比较才有意义。两套分析流程结果一致,并不能证明两者都正确。

新的参考基因组和计算方法正在解决一些长期存在的局限。人类泛基因组参考涵盖多种单倍型和结构排列,减少了对单一线性序列的依赖。改进后的长读段有助于解析重复序列和结构复杂区域,而机器学习则被用于碱基识别、变异检测和修饰分析。这些方法也带来了各自的验证要求。主要使用某一组仪器、基因组或样本类型的数据训练的模型,在另一组数据上的表现可能不同;软件更新也可能同时改变所报告的变异和质量分数。

基因组信息具有持久性、潜在的身份识别能力,而且能够揭示生物学亲属的信息,因此带来了独特的数据隐私问题。删除姓名并不一定能使基因组数据实现匿名化。因此,研究治理需要涵盖知情同意、受控访问、获准的再利用、安全保障,以及跨机构和司法辖区共享信息的程序。临床和科研测序还可能发现与最初问题无关的结果,由此引出有关结果告知和参与者意愿的政策问题。适当的治理框架取决于具体研究、临床情境和适用法律,而不只是测序技术本身。

参考数据库对不同人群的代表性,会影响科学推断和结果解读。如果某些人群在数据库中的代表性不足,就可能增加判断罕见序列差异属于良性还是与疾病相关时的不确定性,并降低统计预测在不同人群间的适用性。基础设施也影响测序的可及性:仪器只是所需体系的一部分,其他要素还包括受过培训的人员、质量保证、存储、计算和结果解读。长期数据管理必须保留足够的元数据,以说明数据集的生成过程,同时控制对敏感信息的访问,并记录今后获准开展分析的条件。