aiwiki.page
中文
科学 / 生物 / non-coding-dna

非编码DNA

非编码DNA是不编码蛋白质的基因组序列,包括调控元件、RNA基因、结构区域和重复序列。

52 个关键词1 个词条链接到这里12 个尚未撰写AI 撰写
蛋白质DNA基因组基因表达翻译(生物学)基因内含子RNA剪接非编码DNA

非编码DNA是指序列不指定蛋白质氨基酸序列的脱氧核糖核酸。它包括编码功能性RNA的基因、控制其他基因的调控序列、维持染色体的元件,以及大量重复序列和基因间区域。这个术语描述的是序列与蛋白质合成的关系,而非该序列是否具有生物学功能。有些非编码序列不可或缺,有些作用细微或取决于具体情境,还有一些则可以不断积累或消失,而不会对生物体的繁殖成功率产生明显影响。

在人类中,蛋白质编码序列约占细胞核基因组的1%–2%;按照这一定义,其余DNA几乎都属于非编码DNA。这一比例在不同生物之间差异很大,而且非编码DNA既非真核生物所独有,也不是性质一致的一类序列。对它的研究将基因表达的分子调控与染色体组织、基因组演化及遗传变异的解读联系起来。要理解非编码DNA,就必须区分序列本身的存在、它所具有的生化活性,以及证明它有助于实现某种生物学功能的证据。

定义、边界与基因组分布

编码DNA与非编码DNA的区分以翻译为依据;翻译是核糖体读取RNA序列并合成蛋白质的过程。在一个蛋白质编码基因中,编码序列通常从翻译起始密码子延伸至终止密码子。同一基因的其他部分则可能是非编码的。因此,基因并不等同于蛋白质编码序列,非编码DNA也不等同于基因之外的DNA。

在真核生物的蛋白质编码基因中,内含子将那些最终保留在成熟RNA中的序列分隔开来。大多数内含子通过RNA剪接从前体转录本中去除。成熟的信使RNA还含有非翻译区,通常位于其5′端和3′端。这些区域不编码该基因的主要蛋白质产物,但可以影响RNA的稳定性、定位和翻译。另一方面,外显子是指保留在成熟转录本中的任何序列:外显子可以包含编码序列、非翻译序列,也可以是完全非编码的RNA中的序列。

基因间DNA位于已注释的基因之间,包括调控元件、重复序列以及功能尚未明确的区域。“基因间”是一种取决于注释的描述:发现此前未被识别的转录本,或修订基因边界,都可能使某一区域被重新归类,而其序列本身并未改变。同样,当小蛋白质或此前未检测到的翻译产物被鉴定出来时,关于蛋白质编码能力的注释也可能发生变化。有些区域兼具多种作用,例如某个内含子中可能含有调控元件或编码小RNA的基因。

非编码DNA的比例在生命之树的不同分支间差异显著。许多细菌的基因组结构紧凑,蛋白质编码序列约占DNA的85%—90%,但调控区域、RNA基因和其他非编码元件仍然不可或缺。许多真核生物的内含子和基因间区域要大得多。人类细胞核基因组的每套单倍体染色体组约含31亿个碱基对,但其中蛋白质编码部分仅占约1%—2%。这些数值会因所采用的参考基因组组装版本和注释而略有不同。

细胞器基因组展现了另一种组织模式。人类线粒体DNA长约16.6千碱基,含有13个蛋白质编码基因、22个转运RNA基因和两个核糖体RNA基因,以及一个主要的非编码控制区和若干较小的非编码间隔区。尽管其中的RNA基因产生不可或缺的分子,但从是否编码蛋白质的角度来看,它们仍属于非编码基因。因此,不能仅凭一个基因组来自复杂生物、细胞器还是微生物,就推断其中非编码DNA的丰度。

调控性DNA与基因表达的控制

许多非编码序列调控基因在何时、何处表达,以及表达水平的高低。启动子(生物学)为转录机器在转录起始位点附近的组装提供了位点。启动子的序列结构各不相同:有些含有TATA盒等可识别的序列基序,而许多哺乳动物启动子,尤其是与广泛表达的基因相关的启动子,并不含有这一基序。启动子的活性取决于多种DNA结合蛋白的共同作用、局部染色质状态,以及RNA聚合酶的募集或定位。

增强子是一种在适当的细胞环境中提高转录水平的调控序列。增强子含有转录因子的结合位点,这些位点的排列方式往往使多种蛋白质能够共同决定其活性。因此,同一段序列可能在发育中的肢体中具有活性,却在肝细胞中没有活性,尽管这两类细胞的基因组基本相同。增强子可以位于上游、下游或内含子中,有时与靶启动子相距数十万碱基对。增强子所作用的对象不一定是距离最近的基因。

增强子与启动子之间的通讯往往涉及二者在染色质三维空间中的相互接近。结合在增强子上的蛋白质可以募集共激活因子,并帮助其与启动子处的转录机器建立相互作用。这并不是一种统一通用的机制:不同基因座以不同的方式组合使用因子募集、染色质重塑以及转录起始或延伸过程的改变。由大量调控元件组成的簇可以协调一个基因区域内的表达,人类β珠蛋白基因簇相关的基因座控制区就是一个例子。

其他非编码元件则会限制或改变调控活性。沉默子通过募集阻遏蛋白或相关的染色质修饰复合物来降低表达水平。绝缘子可以限制调控元件之间的通讯,或帮助构建不同染色质环境之间的边界。DNA结合蛋白CTCF参与了许多此类边界的形成,但仅凭其存在,还不能确定某段序列具有绝缘子功能。因此,调控元件的分类依据是经实验证实的功能表现,而不只是某个短序列基序。

转录本中的非编码区域也能在转录后调控表达。非翻译区可含有RNA结合蛋白的识别位点、定位信号、影响翻译起始的结构,或调控性小RNA识别的位点。内含子序列控制剪接位点的识别,并可影响可变剪接,使单个基因能够产生不同的RNA产物。因此,一段序列即使不编码蛋白质,也能改变蛋白质的生成量、生成时间、生成位置或种类。这些机制将非编码序列的变异与细胞行为的差异直接联系起来。

非编码RNA基因

非编码DNA中有一大类会被转录为具有功能的RNA,而不是被翻译成蛋白质。非编码RNA一词指的是RNA产物,而非编码DNA指的是基因组序列。这两个类别有所重叠,但不能互换使用:许多非编码DNA尚不清楚是否会产生具有功能的RNA,而且仅凭发生了转录,并不能确定转录本具有生物学作用。

功能得到最确切证实的非编码RNA基因包括编码核糖体RNA和转运RNA的基因。核糖体RNA构成核糖体的结构与催化核心,其中包括负责形成肽键的部分。转运RNA将信使RNA中的密码子与相应的氨基酸相匹配。其他小RNA则参与RNA的成熟过程:剪接体中的小核RNA帮助识别并去除内含子,小核仁RNA则引导核糖体RNA及某些其他RNA的加工和化学修饰。

调控性小RNA通过序列特异性相互作用发挥作用。成熟的微小RNA通常长约22个核苷酸,并与Argonaute蛋白结合。在动物中,它通常识别靶信使RNA上与自身部分互补的位点,从而促进翻译抑制并降低RNA的稳定性。小干扰RNA通常长约21—23个核苷酸,能够引导切割与其高度互补的靶RNA。它们的生物学来源和加工途径因生物而异,因此并非每个演化谱系都具有所有的小RNA作用机制。

PIWI相互作用RNA通常长约24—31个核苷酸,在动物生殖细胞中尤为重要。它们与PIWI家族蛋白结合,通过降解RNA或基于染色质的机制帮助抑制转座元件。这一系统展示了一类非编码序列如何帮助调控另一类非编码序列:产生这些RNA的基因组区域可能含有可移动元件的片段,为识别相关转录本提供序列信息。

长链非编码RNA通常被定义为长度超过200个核苷酸、不编码蛋白质的转录本。这一长度界限是出于实际应用的需要,而非基于作用机制。它们被提出可能具有的功能包括将蛋白质募集到染色质上、影响其产生位点附近的转录,以及组织分子复合体的组装。XIST是一个研究较为透彻的例子,它有助于在雌性有胎盘哺乳动物的一条X染色体上建立覆盖整条染色体的沉默状态。

对长链RNA基因座的解读尤其需要谨慎。删除此类基因座所引起的表型,可能源于其RNA的缺失、其中所含DNA调控元件的移除,或转录过程本身受到干扰。区分这些可能性需要采用不同的实验。此外,一些被注释为非编码的转录本含有小开放阅读框,能够产生具有功能的肽。要辨别这些情况,需要综合核糖体结合、蛋白质检测、进化保守性和靶向扰动实验等方面的证据。

染色体的结构与维持

非编码DNA也参与染色体的空间组织与遗传传递。在真核生物中,DNA缠绕在组蛋白上,形成核小体。序列组成可以影响核小体在不同位置形成时的能量偏好,但染色质的组织方式也取决于重塑酶、转录活动和组蛋白修饰。因此,非编码序列是在一个动态的分子系统中发挥作用,而不是一份独立决定结构的蓝图。

着丝粒是染色体上组装动粒的区域,使染色体能够在细胞分裂期间与纺锤体微管相连。人类着丝粒通常含有长串的α卫星DNA阵列,主要由长度约为171个碱基对的重复单元构成,并组织成更高阶的结构。然而,着丝粒的身份并非仅由某种独特的DNA序列决定。含有组蛋白变体CENP-A的特化染色质至关重要,而且在缺乏常见α卫星DNA阵列的位置,也可能形成具有功能的新着丝粒。

端粒保护线性染色体的末端。人类端粒DNA主要由串联的TTAGGG重复序列构成,并与包括端粒保护复合物(shelterin)在内的特化蛋白质结合。这种结构有助于防止染色体末端被当作意外产生的DNA断裂,并调节端粒酶对末端的接近。端粒酶利用其内部的RNA模板延长端粒DNA。端粒的功能取决于重复序列的组织方式、蛋白质结合及末端结构,而非蛋白质编码信息。

非编码区域也参与基因组的高阶组织。染色体构象研究发现,某些区域内部的DNA片段彼此接触的频率,高于它们与相邻区域接触的频率。许多这样的结构域受到黏连蛋白介导的环挤出过程及边界相关蛋白的影响。结构域的边界可以限制增强子的作用范围,但并非绝对屏障,而且结构域的组织方式因细胞类型和物种而异。边界受到破坏后,启动子可能接触到正常情况下不会与之相遇的增强子。

DNA复制还赋予非编码DNA另一种结构性作用。在出芽酵母中,复制起点具有相对明确的序列特征;而在哺乳动物中,复制起点的选择对单一通用序列基序的依赖较小。染色质的可及性、转录环境以及复制起始蛋白的可用性,都会影响复制从何处开始。因此,认为每个非编码区域都具有特定的复制功能,或者所有生物都采用相同的复制起点结构,都是不恰当的。

参与染色体维持的重复区域过去一直难以组装,因为无法将短DNA测序读段唯一定位到这些区域中的某个位置。2022年,端粒到端粒(Telomere-to-Telomere)项目完成的CHM13人类基因组组装解析了早期参考基因组中缺失的大量区域,包括大量着丝粒DNA及其他重复DNA。这项工作厘清了这些区域的序列组织方式,同时也表明,对一个区域功能的解读,与技术上能否将其组装出来,是两个不同的问题。

重复序列、可移动元件与假基因

许多真核生物基因组中,重复序列占据了很大比例。重复序列可以彼此相邻,形成串联阵列,也可以分散在不同染色体上。卫星 DNA 由大量串联重复序列组成,通常集中在着丝粒周围及其他异染色质区域。短串联重复序列的重复单元小得多,通常为一至六个碱基对,其拷贝数可因个体而异。重复序列的分类只是对其特征的描述,本身并不能决定其生物学功能。

散在重复序列往往源自转座元件,即能够在基因组内移动或复制自身的序列。DNA 转座子通常通过 DNA 中间体移动,而反转录转座子则利用 RNA 中间体,再经反转录生成 DNA。一些可移动元件编码其扩增所需的蛋白质。因此,源自可移动元件的 DNA 与非编码 DNA 是相互重叠而非完全相同的类别:转座子的编码区属于蛋白质编码序列,而其调控序列、末端重复序列以及许多退化的衍生序列则属于非编码序列。

早期基因组分析发现,人类参考基因组中约有 45% 的序列可被识别为源自转座元件。更灵敏的方法还能识别出更多年代久远、分化程度很高的残留序列,因此,这一比例的估计值取决于所用的检测方法。LINE-1 元件、Alu 元件和内源性逆转录病毒序列是其中的主要组成部分。一个完整的人类 LINE-1 元件长约六千碱基,编码反转录转座所需的蛋白质。Alu 元件长约 300 个碱基对,不编码自身移动所需的蛋白质,而是利用 LINE-1 的分子机制。

人类的大多数可移动元件拷贝已无法独立移动。它们作为基因组化石保留下来,往往已被截短,或因突变而中断。不过,仍有少数拷贝保持活性,新的插入可改变基因调控、打断转录本或改变剪接。位于不同位置的相似拷贝,还可通过非等位序列之间的重组促进基因组重排。因此,即使不再发生转座,失活的重复序列仍可影响基因组的不稳定性。

可移动元件序列偶尔也会获得宿主功能。它们的启动子、转录因子结合位点或其他序列特征可能被纳入基因调控网络。这一过程通常称为外适应,解释了最初服务于元件自身扩增的序列,如何在后来参与宿主的生物学过程。这类例子并不意味着同一重复序列家族的每个拷贝都具有功能:各个拷贝有着不同的演化历史和基因组背景。

假基因是与基因相关的一类序列,已失去或本就不具备产生祖先型功能产物的通常能力。有些假基因源于基因复制及随后使其失活的突变;加工型假基因则源于 RNA 转录本被反转录并插入 DNA 的过程。某些假基因位点会被转录或具有调控作用,但许多假基因尚无已证实的功能。由于与功能基因相似,它们会使测序、表达量测定和遗传变异解读变得更加复杂。

演化、基因组大小与生物学功能

非编码DNA的差异解释了真核生物之间基因组大小变异的很大一部分。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并不存在简单的比例关系。一些蝾螈和开花植物的基因组比人类基因组大许多倍,主要原因是重复DNA的积累及其他形式的序列扩增。这种不相称现象是C值悖论的核心;更广泛的相关研究将其称为“C值之谜”,探讨DNA含量为何差异如此之大,以及这些差异会带来哪些生物学后果。

多种演化过程会影响非编码序列的丰度。转座元件会增加自身的拷贝数;缺失会移除DNA;基因重复和基因组重复会增加遗传物质;重组则会重塑重复序列。自然选择能够保留有助于提高繁殖成功率的序列,并清除有害的插入序列。然而,轻微有害或实际呈中性的序列可能通过遗传漂变而持续存在,尤其是在选择作用相对于等位基因频率的随机变化较弱时。这些作用之间的平衡因种群和演化谱系而异。

因此,非编码DNA可能具有功能,也可能是中性或有害的,而且其性质会随着演化历程发生变化。一个新插入的元件起初可能有害,失活后可能变得实际呈中性,最终又可能提供有用的调控序列。反过来,原本具有功能的元件也可能因调控网络中其他部分发生变化而失去作用。生物学功能并不是每段序列自诞生之初就被赋予的永久属性。

物种间比较是识别功能约束的一种主要方法。如果某一区域积累替换的速度低于适当中性模型的预期,那么纯化选择就是一种合理的解释。高度保守的非编码元件往往包含发育调控序列。2011年,一项具有重要影响的研究比较了29种哺乳动物的基因组;根据该研究采用的方法,估计人类基因组中至少约有5.5%曾受到演化约束,明显高于仅由蛋白质编码序列所占的比例。

这类估计并不是对全部功能性DNA的直接测量。它们可能遗漏新近演化出的元件、快速变化的调控序列,或那些通过单个结合位点的更替而得以维持的功能。结果还取决于序列比对质量、所比较的物种,以及对中性突变率的假设。反过来,表面上的保守性有时也可能反映出其他过程,而非正在研究的特定调控功能。比较证据与实验及种群层面的观察相结合时,最具说服力。

因此,“功能”的含义十分重要。从演化角度看,如果某一特征因其贡献而受到选择并得以维持,那么它就具有功能。从生物化学角度看,一段序列可能因为能够结合蛋白质或产生RNA而被描述为具有功能。从因果实验角度看,功能可能意味着改变该序列会使某个被测量的表型发生变化。这些定义回答的是不同的问题。未能区分这些定义,一直是有关基因组中功能性序列所占比例的争议的一个主要来源。

非编码DNA的发现与“垃圾DNA”之争

随着测量和比较基因组的分子方法不断发展,人们逐渐认识到非编码DNA广泛存在。到20世纪中叶,已知的物种间DNA含量差异就已难以用DNA总量与生物复杂程度之间的简单对应关系来解释。20世纪60年代,DNA复性实验表明,真核生物基因组含有大量重复序列。罗伊·布里顿和戴维·科恩于1968年开展的研究,对确立重复DNA大量存在这一认识尤为重要。

大野乾在1972年讨论不参与生成功能性蛋白质的基因组序列时,突出使用了“垃圾DNA”一词,所指尤其包括那些已丧失原有作用的基因重复拷贝。此后,这一术语的含义逐渐扩大,有时甚至相互矛盾。在演化讨论中,它通常指不具有受自然选择维持的功能的DNA,而不是所有不编码蛋白质的DNA。当时人们已经知道调控性DNA和编码必需RNA的基因,因此,声称科学家曾一致认为所有非编码DNA都毫无用处,并不符合历史事实。

1977年间断基因的发现进一步改变了人们对基因组织方式的认识。菲利普·夏普、理查德·罗伯茨及其同事的研究表明,某些真核生物基因含有会从RNA前体中被切除的序列。内含子的发现说明,编码信息在DNA中可以是不连续的,而且基因内部也可能存在大量非编码序列。随后发现的调控元件和多种由RNA介导的过程,进一步拓展了已获证实的非编码序列功能范围。

人类基因组计划使这种数量上的反差变得格外鲜明。2001年发表的人类基因组草图研究显示,人类基因组主要由非蛋白质编码序列构成,其中蛋白质编码基因的数量也远少于此前的一些估计。这些发现推动了对调控性DNA、重复元件和非编码转录的系统研究,而不再将蛋白质编码基因的注释视为对基因组生物学的完整描述。

DNA元件百科全书计划,通常称为ENCODE,于2003年启动。2012年,该研究联盟发表的论文报告称,综合所考察的细胞类型和检测方法,人类基因组中约80%的区域参与了至少一种所测定的生化事件。这些事件包括转录、蛋白质结合以及染色质特征相关的活动。这个数字引发了广泛讨论,因为它有时被解读为:约80%的基因组是必需的,或是受到演化力量维持的。

核心的方法学问题在于,生化活性并不等同于受自然选择维持的功能。转录本可能只是偶然启动转录的产物,蛋白质也可能与DNA结合,却不对生物体产生实质性影响。反过来,某个重要元件也可能在所取样的细胞类型中并不活跃。由此引发的争论,使人们更明确地区分了活性、因果作用和演化约束。基因组中具有功能的部分占多大比例,取决于所采用的定义、生物学背景和实验方法,并不存在一个独立于这些因素的统一数值。

识别非编码元件的方法

非编码DNA研究综合运用序列比较、生化图谱绘制、遗传关联分析和直接扰动等方法。DNA测序用于确定序列及其变异,而比较分析则用于识别保守区域、谱系特异性插入和重复序列含量的变化。长读长测序尤其适合研究重复序列扩增、结构变异,以及难以通过短读长重建的区域。人类泛基因组参考序列的发展,也有助于呈现单一线性参考序列中缺失的序列及其排列方式。

基于转录本的方法用于识别产生RNA的区域。RNA测序可测量转录本丰度,并帮助重建外显子与内含子的组织结构;专门的技术则可定位转录起始位点或检测新合成的RNA。这些方法能够区分稳定的RNA产物与某些形式的瞬时转录,但检测到转录仍不能证明其具有生物学功能。链特异性、测序深度、RNA制备方式以及所采样的组织,都会影响观测结果。

染色质检测用于绘制与调控活性相关的特征图谱。DNase-seq和ATAC-seq可识别可及的DNA区域;染色质免疫沉淀后测序可定位与特定基因组区域相关的蛋白质或组蛋白修饰。例如,H3K27乙酰化通常与活跃的调控元件相关,而H3K4三甲基化常在活跃启动子附近富集。这些标记提供了有用的相关性信息,但不能作为普遍适用的定义标准。包括Hi-C在内的染色体构象分析方法可以揭示接触频率,从而帮助将远端元件与潜在靶基因联系起来。

报告基因测定用于检验某段序列是否影响在实验中与其连接的报告基因的表达。大规模平行报告基因测定可在一次实验中评估数千条序列或变异,通常利用分子条形码追踪其效应。这类测定能够识别依赖于序列的调控活性,但在质粒上或异位整合位点测试的片段,其表现可能不同于同一序列在天然染色体环境中的表现。阴性结果可能是由于细胞类型不合适,或缺少相邻元件。

靶向扰动能为特定条件下的因果关系提供更有力的证据。基于成簇规律间隔短回文重复序列(CRISPR)的删除或序列编辑可改变候选元件,而CRISPR干扰和激活技术则可在不改变某一区域原有序列的情况下,抑制或增强其活性。碱基编辑和其他精确方法可用于检验单个变异。结果解读仍需设置对照:删除DNA不仅改变序列,也改变间距,而且扰动可能影响多个相互重叠的元件。

群体数据可将非编码变异与分子性状及个体性状联系起来。表达数量性状位点将基因型与基因表达差异联系起来。全基因组关联研究可识别与性状相关的基因组区域,但连锁不平衡可能使许多相邻变异同时表现出关联。因此,需要结合精细定位、分子测量和实验扰动,才能将具有因果作用的核苷酸与相关标记区分开来,并确定其通过哪个基因发挥作用。

致病机制与实际应用

非编码变异可通过多种不同机制致病,包括改变转录因子的结合、干扰RNA加工、改变转录本的稳定性、引起重复序列扩增,或重组染色体接触关系。其影响既可能导致高外显率的遗传病,也可能只是对复杂性状产生微小贡献。变异位于编码序列之外,并不意味着它无害;同样,变异靠近某个基因,也不能据此认定其具有致病性。

影响剪接的变异是一类研究较为透彻的变异。关键剪接位点的突变可阻碍内含子的正常切除,而内含子深处的变异则可能产生新的剪接位点,或激活原本不被利用的序列。由此产生的RNA可能保留内含子、跳过某个外显子,或包含一个新片段。影响β珠蛋白基因的变异说明,启动子和RNA加工缺陷即使不改变成熟编码序列中的密码子,也可能减少基因产物,进而导致地中海贫血。

远端调控元件的改变可导致发育障碍。ZRS增强子位于LMBR1基因的一个内含子中,距离SHH基因约一百万个碱基对,负责调控肢体发育过程中SHH表达的一个重要方面。某些特定变异会引起异常的表达模式,与轴前多指(趾)畸形有关。这一实例说明,将非编码变异归于距离最近的基因可能产生误导:它真正作用的靶基因可能远在他处。

重复序列扩增还可通过另一组机制致病。在脆性X综合征中,FMR1基因5′非翻译区的CGG重复序列扩增至约200个拷贝以上,通常伴随DNA甲基化水平升高和基因沉默。在1型强直性肌营养不良中,DMPK基因3′非翻译区的CTG重复序列发生扩增,产生含有扩增的CUG重复序列的RNA。这些RNA会干扰RNA结合蛋白的活性,进而导致广泛的剪接异常。重复序列本身不编码蛋白质,但其影响可波及许多转录本。

后天获得的非编码突变也会促成癌症。2013年,关于黑色素瘤中TERT启动子反复出现突变的研究受到广泛关注;这些突变可产生ETS家族转录因子识别的结合位点,并可提高端粒酶的表达水平。结构重排可能使癌基因受到不恰当的增强子调控,或破坏通常用于分隔不同调控环境的边界。这类变化改变的是基因调控,而非受影响蛋白质的氨基酸序列。

非编码序列也有成熟的实际用途。具有多态性的短串联重复序列可用于个体识别和亲缘关系鉴定,而重复序列插入及其他遗传变异可为研究群体历史和进化关系提供信息。在生物技术中,启动子、增强子、非翻译区和RNA加工信号被纳入表达构建体,以控制蛋白质产生的部位和数量。临床解读则要求更为严格:评估候选非编码变异时,需要综合考虑分子机制、群体频率、遗传模式、相关组织背景以及实验验证的效应,而不能仅凭调控功能注释作出判断。