泛基因组是对一组生物全部遗传内容的表征,这组生物通常属于同一物种或某个明确定义的群体。与单个基因组不同,泛基因组既描述群体成员共有的序列,也描述成员之间存在差异的序列。根据研究问题的不同,泛基因组可以采用基因家族目录、组装基因组集合、序列图等形式,也可以将这些资源结合起来。因此,它既是一个生物学概念,指一个群体所拥有的全部基因组内容,也是一套组织相关观测结果的框架。
泛基因组旨在解决参考基因组的一项根本局限:任何单个序列都无法涵盖一个物种内的全部变异。参考基因组虽然能提供实用的坐标系统,却可能遗漏其他个体中存在的基因、插入、重排及其他序列排列形式。泛基因组学最初通过细菌基因组比较发展起来,如今已为微生物进化、作物改良、人类遗传变异以及测序数据解读等研究提供支持。其核心方法学挑战包括区分生物学差异与技术误差、充分采样以涵盖多样性,以及在表征不同基因组时避免将其中某一个视为普遍标准。
概念基础与历史发展
现代泛基因组概念源于比较基因组学,尤其是人们认识到,亲缘关系密切的细菌分离株在基因组成上也可能存在显著差异。埃尔韦·泰特林(Hervé Tettelin)及其同事于2005年发表了一项里程碑式研究,比较了无乳链球菌(Streptococcus agalactiae,又称B群链球菌)的八个基因组。该研究区分了保守的共有基因与仅存在于部分菌株中的基因,并用“泛基因组”(pan-genome)一词指代这些基因的总和。研究还提出,随着更多菌株被测序,先前未被发现的基因将不断出现。这挑战了当时的一种假设:一个完整的细菌基因组足以代表整个物种的遗传潜能。
在最初以基因为中心的定义中,泛基因组是所有采样基因组中鉴定出的基因家族的并集。如果 表示基因组 中存在的基因家族集合,那么 个基因组的观测泛基因组为
相应的严格核心基因组则是这些集合的交集:
这些定义针对的是基因家族,而不一定是完全相同的基因。同一基因的不同版本可以属于同一个家族,一个基因组中也可能含有多个拷贝。因此,仅用二元表格记录基因的有无,并不能描述序列差异或拷贝数。
核心基因组由所有采样成员共有的基因家族组成,而附属基因组则包含仅存在于部分成员中的基因家族。实际分析中常以较高的出现比例阈值定义软核心基因组,例如要求基因家族至少存在于95%或99%的基因组中,以容许组装不完整和偶发的基因丢失。一些研究将附属基因家族进一步划分为较常见的“壳层”和罕见的“云层”。这些名称只是描述性的约定,并非普遍适用的生物学类别。它们的界限取决于采样方案和分析阈值。
此后,这一概念的范围不再局限于基因清单。在动物和植物中,重要变异常常位于非编码区、重复序列及染色体结构中。因此,基于序列的泛基因组所表示的是可相互替代的脱氧核糖核酸片段,包括不同的等位基因,而不仅仅是基因列表。一个基因可以属于核心基因组,同时又含有丰富的序列变异;一个调控性插入片段即使没有增加新的基因家族,也可能具有重要的生物学意义。基于基因组成的泛基因组与基于序列的泛基因组回答的是相互关联但又不同的问题。
泛基因组也不是一份固定不变的最终清单。实际构建的泛基因组资源,是对某一种群基于样本得出的近似描述,而该种群的组成会随繁殖、迁移、突变和灭绝而改变。因此,必须明确泛基因组的涵盖范围:一个临床谱系、一个已命名物种、一个作物育种群体,以及一组野生近缘种,所得到的泛基因组各不相同。只有明确这些生物学边界及其所采用的表示方式,比较才有意义。
塑造基因组组成的演化过程
泛基因组的多样性源于增加、改变、重新分配或移除 DNA 的各种过程。突变产生新的序列变异,而基因重复则产生额外的基因拷贝,这些拷贝可能保留原有功能,也可能发生分化。缺失会移除基因及其他片段。同源重组可以将某个基因组区域的一个版本替换为另一个版本,而较大规模的重排则会改变序列的顺序或方向。这些过程与自然选择和遗传漂变共同作用,后两者影响着变异能否保留下来。
在细菌和古菌中,水平基因转移尤为重要。DNA 可以通过转化、接合或病毒介导的转移在生物体之间流动。一个质粒可能一次性引入多种彼此关联的功能,例如抗性决定因子或一条代谢途径。噬菌体可以带来改变其与宿主或竞争者相互作用的基因。整合到基因组中的可移动元件随后可能通过细胞分裂传给后代,也可能丢失、重排或再次转移。因此,附属基因的演化历史不一定与根据其所在染色体推断出的历史一致。
这些机制使基因是否存在与基因发挥何种功能之间形成了重要区别。新近获得的基因可能表达水平很低,或与新的基因组背景不相容。反过来,保守基因也可能通过序列变化获得新的活性,而其存在或缺失的分类并不改变。调控背景、蛋白质之间的相互作用以及底物的可用性,都可能决定新获得的途径是否会影响代谢。因此,泛基因组的组成描述的是潜在能力,而不是实际表现性状的完整清单。
生态因素有助于解释特定的基因组成为何得以维持。栖居于不同生境的生物,可能分别受益于不同的营养物转运蛋白、表面结构或应激反应系统。例如,大肠杆菌(Escherichia coli)在整个物种范围内的基因集合中,包含与多种生态生活方式及宿主相关生活方式有关的基因。在物种层面属于附属基因的某个基因,在一个特化谱系中可能几乎普遍存在。反过来,基因与某一生境之间看似存在的关联,也可能只是因为亲缘关系密切的生物具有共同祖先,而不是因为该生境分别对每个基因施加了选择。
基因组缩减则形成了相反的模式。生存范围受限于宿主的细菌,可能会丢失那些由宿主环境提供的功能,而且从无亲缘关系的生物中获取 DNA 的机会也有限。这类谱系的基因组成可能相对有限。但这并非宿主关联生活方式的普遍特征,因为可移动元件和宿主转换也可能产生大量变异。
在真核生物中,有性生殖会重新组合染色体间的变异,而基因重复、转座元件活动和多倍性则可能深刻改变基因组的组成。植物基因组往往含有大片富含重复序列的区域,以及发生过重复的基因家族。人类基因组共有绝大多数基因,但在序列、拷贝数和结构组织上存在差异。这些差异解释了为什么细菌的基因家族矩阵、作物的结构变异目录和人类的单倍型图,尽管侧重于不同的演化现象,却都可以称为泛基因组。
采样、核心基因组大小与开放型或封闭型泛基因组
每个基于实测数据构建的泛基因组,都取决于纳入了哪些基因组。对大量近乎相同的疫情暴发分离株进行采样,与跨地理区域、生态位和深分化演化谱系进行采样,所呈现的面貌并不相同。前一种样本集或许能极好地刻画近期传播,却可能遗漏该物种基因总库中的很大一部分。因此,单凭基因组数量不足以衡量采样覆盖程度。它们的亲缘关系、来源、组装质量以及在种群中的分布同样重要。
研究人员常通过依次加入基因组并统计所发现的基因家族数量,考察累积曲线。由于加入顺序会改变曲线,分析通常会对多种随机顺序的结果取平均,或采用不同的子集组合。观测到的泛基因组通常随样本量增加而增大,而严格核心基因组则只能保持不变或缩小。仅凭这两种趋势中的任何一种,都无法证明存在某种生物学机制:加入一个分化较大的谱系,或引入系统性注释错误,都可能显著改变这两条曲线。
开放型泛基因组是指随着采样基因组数量增加,推断得到的基因总库仍持续显著扩大的泛基因组。封闭型泛基因组则是指在所选模型和采样条件下,其累积曲线看起来趋近于一个有限基因总库的泛基因组。这些术语描述的是一种外推结果,并不能证明某个物种的基因库无限庞大,或已被永久穷尽。即使某个特定数据集看起来已经达到饱和,演化仍可引入新基因。
一类常用模型将第 个基因组中新检出的基因家族数量的期望值表示为
其中 ,且 。若将该模型无限外推,则当 时,累积和发散;当 时,累积和收敛。另一些研究则直接对泛基因组总大小建模,通常采用带截距项的幂律模型。比较参数值之前,必须先核对公式:描述基因总库增长的指数,与描述新发现基因家族数量的指数,其含义并不相同。
稀有基因会带来特殊的统计难题。仅观测到一次的基因家族,可能确实分布受限,也可能属于移动遗传元件、来自污染,或是注释伪影。由于稀有家族对未观测多样性的估计有很大影响,错误可能会夸大表观开放程度。反过来,过于严格的家族聚类也可能将不同基因合并,从而掩盖多样性。此外,如果模型假定各类基因组被采样的机会均等,而数据集却严重偏重少数谱系,模型也会变得不可靠。
核心基因组的大小同样取决于具体条件。如果一个基因在每次组装中都有小概率被遗漏,那么随着样本量增大,要求在每个基因组中都检出该基因,就会成为越来越苛刻的条件。软核心阈值可缓解这一问题,但也引入了一项必须明确报告的人为约定。严谨的研究会考察结果对阈值、基因组完整度和种群结构的敏感性,而不是将单一的核心基因数量或开放程度估计值视为物种固有的常数。
测序、组装与基因家族构建
泛基因组的构建始于生物样本采集和DNA测序,但关键的计算决策取决于预期采用的表示方式。细菌基因组成分析通常需要已组装的基因组,以及采用一致方法预测的基因。能够分辨具体序列的人类或植物泛基因组,则需要准确的组装结果、对应区域的识别,以及对同源染色体的明确区分和处理。不同方法生成的数据集可以合并使用,但实验与计算处理上的差异可能被误认为是生物学变异。
基因组组装根据测序读段重建较长的序列。短读段成本较低,能够提供准确的碱基层面信息,但重复区域往往比读段更长,导致组装结果较为碎片化。长读段能够跨越重复序列和大型插入片段,而高准确度长读长测序技术则缓解了读段长度与序列准确度之间的权衡。亲本数据或染色体构象测量结果等额外信息,有助于将序列归入染色体尺度的结构中。仍可能存在的错误包括重复拷贝被合并、区域错误拼接和序列缺失。
对于二倍体生物,区分来自双亲的两套染色体拷贝尤为重要。分辨单倍型的组装能够保留同一条染色体上共同出现的变异。如果将两个拷贝合并为一条共有序列,就可能丢失其中一个等位基因,将不同的替代片段混在一起,并使拷贝数估计产生误导。对于多倍体生物,除了常规的等位基因变异,还需要区分亲缘关系密切的不同染色体组,这带来了额外的挑战。
以基因为中心的工作流程接下来会预测编码序列,并将相关基因归入家族,通常依据的是这些基因翻译所得蛋白质序列之间的相似性。这一步必须区分直系同源与旁系同源:前者是由物种形成而分化的基因之间的关系,后者则是由基因复制产生的关系。仅凭相似性阈值并不总能区分二者。亲缘关系密切的旁系同源基因可能被归为一组,而由同一祖先基因演化而来、但演化较快的不同版本却可能被拆分到不同组中。基因组邻域、基因树和保守结构域组成等信息有助于改进聚类。
一致的注释至关重要。在重叠群边界处被截断的基因可能被预测为两个片段,从而产生虚假的基因家族。真实的移码突变可能产生假基因,但测序错误也可能造成相同的表面信号。一些分析流程会重新检查预期基因位置附近的原始DNA序列,以区分基因确实缺失还是预测未能检出。Roary、Panaroo和PPanGGOLiN等广泛使用的微生物分析工具,在聚类方式、邻域信息的利用以及基因库的划分上采取了不同策略。
最终形成的资源通常包含基因存在—缺失矩阵、家族代表序列、注释和质量控制信息。基于序列的项目还会保留组装结果和序列比对结果,以便直接检查不同的结构形式。为确保可重复性,必须记录软件版本、参数、样本标识和过滤决策。基因家族数量较多,本身并不能证明生物学意义上的泛基因组更加丰富;它也可能反映出注释不一致、污染或聚类过度细分等问题。
图表示与参考偏倚问题
传统的参考基因组为每条染色体提供一条线性序列,有时还会补充替代位点。这种安排便于标注位置和比较数据集,但也使参考基因组中收录的序列处于优先地位。如果某个个体携带差异较大的等位基因或较大的插入片段,其测序读段就可能比对不佳、比对到错误位置,或无法比对。由此产生的参考偏倚会影响变异发现和等位基因频率估计;当序列差异影响读段比对时,还会使基因表达的测量结果产生偏差。
变异图用相互连接的结构表示不同的备选序列。在一种常见的表示方式中,节点承载序列,边规定允许的相邻关系,路径则描绘单条染色体或单倍型在图中的走向。含有两个等位基因的区域可以分出两条备选路径,并在下游重新汇合。因此,插入、缺失、重复和某些重排可以与单碱基替换一起表示,而不必仅仅描述为相对于某一条优先序列的差异。
并非所有泛基因组图都具有相同的结构或用途。基因顺序图表示基因家族及其邻近区域之间的关系;序列图则以核苷酸为分辨率。有些图通过向现有参考基因组添加变异来构建,另一些则源于多个独立组装基因组之间的比对。德布鲁因图方法通过相互重叠的固定长度序列片段来组织序列。主要围绕大型结构差异构建的图,不一定能表示其所包含基因组中的每一个小变异。
基于图的比对旨在寻找测序读段与一条或多条路径相匹配的位置。纳入不同等位基因,可以改善在线性参考基因组中表示不足的区域的比对效果,但这种改善取决于图的质量和索引方法。重复序列可能产生许多相似的路径。图结构过于复杂会增加计算需求,而且图中还可能出现这样的边组合:实际上没有任何已采样染色体携带这种组合。保留单倍型路径,有助于区分实际观察到的染色体排列与仅在图中理论上可行的遍历方式。
坐标是另一项主要难题。在线性参考基因组中,一个位置可以用简单的染色体编号和碱基位置来标识。在图中,标识对应位置可能需要节点、偏移量、方向及路径上下文。即使大部分生物序列没有变化,重新构建图也可能改变节点标识符。因此,稳定的命名、与既有参考基因组之间的坐标转换,以及具有版本管理的路径系统,都是核心基础设施,而非无关紧要的格式细节。
图表示并不会自动消除偏倚。如果构建图所用的样本集合缺乏代表性,图仍然会遗漏未采样的多样性,而难以处理的重复序列和重复区域也可能依然无法解析。也并非所有研究问题都需要用图:对于某些微生物分析,经过整理的基因家族目录可能更易于解读。适合采用哪种表示方式,取决于任务关注的是基因组成、结构组织、读段比对,还是群体层面的变异推断。
微生物生态学、病原体与基因组成多样性
微生物泛基因组学将基因组变异与生态分化联系起来。附属基因库可编码参与营养物质获取、环境感知、细胞表面修饰以及与其他生物相互作用的功能。在原绿球藻属(Prochlorococcus)等海洋细菌中,对分离株与环境序列的比较揭示了与不同环境条件相关的广泛多样性。即使基本细胞功能保持高度保守,参与营养物质利用的基因仍可能在不同种群间存在差异。这些模式有助于解释亲缘相近的生物如何占据不同的生态位。
物种泛基因组与群落宏基因组之间的区别值得注意。泛基因组梳理的是某个界定群体内部成员之间的变异,而宏基因组学则对可能包含多个物种的群落中的 DNA 进行采样。当宏基因组数据被用于重建基因组或测定已知基因家族的分布时,这两种研究方法便产生了交集。然而,不能将群落中的基因丰度直接解读为携带某个基因的菌株数量:丰度还取决于相应生物的出现频率、基因拷贝数,以及测序读段区分相似序列的能力。
病原体研究利用泛基因组考察宿主相互作用、表面抗原及抗微生物药物耐药性方面的变异。耐药决定因子可能位于质粒、转座子或染色体区域上,其可移动性可使原本差异显著的谱系产生相似的耐药表型。反过来,亲缘关系很近的分离株也可能因其中一株获得或丢失了某个可移动元件而有所不同。因此,基因组成比较是对基于保守基因组区域序列的分析的补充,而非替代。
泛基因组思路也影响了反向疫苗学,即利用基因组信息识别候选抗原的方法。菌株间的比较可以揭示某个候选抗原是否广泛分布,以及其序列的变异程度。对 B 群链球菌的早期比较研究强调,单一菌株可能缺少该物种其他菌株中存在的抗原。仅仅确认抗原存在,还不足以认定其为有用的靶标:其是否暴露于细胞表面、感染期间的表达情况、序列变异,以及免疫识别的实验证据也同样重要。
在暴发调查中,核心基因组变异可为推断亲缘关系提供相对稳定的依据,而附属元件则可提供有关近期获得与丢失事件的补充信息。可移动元件可能演化过快,或转移过于频繁,因此不能简单地用作谱系起源标记。此外,与在测序覆盖充分的保守位点上可靠检出的序列差异相比,基因组草图中未检出某个可移动元件的证据也较不可靠。
微生物泛基因组进一步增加了分类学与功能之间关系的复杂性。同一已命名物种的成员可能共享可辨识的基因组骨架,却在生态适应能力上存在显著差异。同时,宽泛的功能类别可能掩盖重要区别:两个菌株可能都编码某种转运蛋白,但识别的底物不同。因此,解读微生物多样性需要将基因组成与序列、基因组背景、实验生理学结果及环境分布信息结合起来。
植物泛基因组与作物改良
植物泛基因组研究的发展,部分源于单个作物参考基因组所代表的多样性有限。驯化和育种保留了一些等位基因,却减少了另一些等位基因;由单一栽培品种组装而成的参考基因组,可能遗漏地方品种、野生近缘种或不同地理来源的育种材料中存在的序列。作物泛基因组旨在描述这一更广泛的序列集合,包括存在—缺失变异、拷贝数差异,以及大片段插入、缺失、倒位和易位等结构变异。
植物基因组的结构特点使这项任务颇具挑战。许多作物的基因组富含重复序列,具有庞大的基因家族,并且在演化过程中经历过全基因组复制。小麦不仅基因组庞大,其各亚基因组之间的亲缘关系也很近;玉米存在广泛的转座元件变异;不同水稻品种之间可能有相当长的差异序列,而这些序列在单一参考基因组中并不存在。区分等位基因差异与重复拷贝至关重要,因为表面上的基因缺失,实际上可能是组装未能解析清楚,或将序列错误归入了近缘染色体所致。
几项大型数据集展示了这一领域的研究规模。2020 年的一项番茄研究利用 100 份多样化种质材料,构建了泛基因组尺度的结构变异目录,并研究了这些变异与基因表达及农业性状之间的关系。2021 年,研究人员完成了玉米巢式关联作图群体中 26 个创始亲本的染色体级基因组组装,为比较不同品系的基因组结构和基因组成提供了资源。这些项目不再只是向参考基因组补充短序列,而是让研究人员能够直接考察不同的基因组排列方式。
植物抗病基因尤其值得关注,因为它们常以变异丰富的重复基因簇形式存在。其中一些基因编码参与病原体识别的受体,其数量和序列可能因种质材料而异。如果线性参考基因组缺少某个与抗病性相关的区域,常规分析就可能无法直接检测到该区域。泛基因组资源能够揭示这些被遗漏的变异,但要证明它们对抗病性具有因果作用,仍需遗传学和实验依据。
泛基因组也支持性状关联分析和育种标记开发。包含某个基因的插入,或改变基因剂量的重复,可能解释邻近单碱基标记难以充分捕捉的变异。因此,将存在—缺失变异纳入全基因组关联研究,可以扩大可供检验的遗传学假设范围。分析仍须考虑亲缘关系、育种历史和环境效应;新近得以检测到的变异,并不一定就是致因变异。
超级泛基因组将取样范围扩展到多个近缘物种,通常包括作物的野生近缘种。这可以揭示在驯化过程中丢失,或栽培作物育种种质库中缺失的序列。但其解释也更为困难,因为演化分化模糊了同一基因的不同等位形式与不同基因之间的界限。其实际应用还取决于目标序列能否在作物的基因组背景下发挥功能,以及引入该序列时是否会一并带入连锁性状。序列目录揭示的是潜在可能性,并不保证能获得预期的农艺效果。
人类泛基因组与群体代表性
人类泛基因组推动参考基因组学从主要采用线性序列的框架,转向能够表征多套人类染色体序列的体系。现有的人类参考基因组一直不可或缺,但它既不是某个“普通人”的基因组,也不包含人类群体中存在的全部序列。其最初的序列大多来自数量有限的供者,而且部分区域并不完整,或难以解析。人类泛基因组学既致力于补足缺失序列,也着力解决将各种变异一律视为偏离某一种参考序列排列所造成的不对等问题。
更完整的单一参考基因组与群体泛基因组之间存在一个关键区别。2022 年,端粒到端粒联盟发布了 T2T-CHM13 组装,解析了早期人类基因组组装中缺失的许多区域。这一资源大幅提升了研究者获取着丝粒序列、重复序列及其他难以解析序列的能力,但一个高度完整的组装无法代表整个群体的多样性。染色体序列的完整性与不同个体间的多样性,是相辅相成的两个目标。
2023 年,人类泛基因组参考联盟发布了一份参考基因组草图,其基础是来自 47 名遗传背景多样的个体的基因组组装,涵盖 94 套单倍型。相关分析报告称,相较于 GRCh38,该资源新增了约 1.19 亿个碱基的常染色质多态性序列。这个数字指的是整个资源所涵盖的序列,并不意味着每个个体的基因组都增加了这么多序列。该项目还表明,与传统的基于参考基因组的方法相比,泛基因组方法能够更充分地表征变异,并提高变异检出能力。
对于包含片段重复、基因拷贝数变化或高度分化单倍型的区域,人类泛基因组尤为重要。主要组织相容性复合体就是一个典型例子,具有丰富的等位基因多样性和复杂的基因组组织结构。其他一些难以解析的区域包含由高度相似拷贝组成的基因家族,短读长序列在这些区域可能无法明确定位。准确的组装和能够区分单倍型的比较方法,有助于将真正的拷贝特异性差异与比对伪象区分开来。
对人类变异进行生物学解读时必须谨慎。泛基因组可以提高对某个变异的观测能力,却不能据此确立它与疾病的关系。旧版参考基因组中缺失的序列,不一定是罕见的、有害的,也不一定是新近演化形成的。同样,结构复杂的等位基因也可能是良性的。临床解读依赖于独立证据,包括群体频率、功能影响、遗传模式,以及与某种表型关联的强度。
群体代表性不能简化为少数几个按大洲划分的标签。人类变异反映了迁徙、混合、亲缘关系和局部群体结构相互交织的历史,而在有明确名称的群体内部,同样存在显著的多样性。增加供者的多样性可以减少某些形式的参考偏倚,但并不能使一项资源无所不包。罕见变异、代表性不足的社群、难以解析的基因组区域,以及遗传变异与体细胞变异的区分,仍是当前参考资源面临的重要局限。
关联分析、功能解读与负责任的基础设施建设
泛基因组的一项主要分析用途,是将基因组变异与表型联系起来。在微生物研究中,接受检验的特征可以是基因家族、短 DNA 字串或压缩后的序列片段。在植物和人类研究中,分析对象还可能包括结构等位基因、拷贝数状态或由图结构定义的变异。这些方法将可观测的变异范围扩展到了线性参考基因组已有位点之外,同时也增加了统计检验的数量和复杂程度。
种群结构是混杂效应的一个主要来源。如果某个细菌谱系既携带某一基因,又普遍表现出某种表型,简单的关联分析就可能将该基因判定为相关因素,即使真正起作用的是另一种遗传特征。作物材料群体和人类队列中也存在类似问题。基于亲缘关系、谱系结构或系统发育学关系的方法可以减轻这一问题,但紧密连锁的变异仍可能难以区分。独立种群、重组事件和实验干预可以提供进一步的证据。
功能解读必须区分不同层次的结论。检测到某条序列,只能确认观察到了它的存在;注释提出其可能的功能;关联分析在统计上将其与某种性状联系起来;实验研究则可能确立其作用机制。一个被标注为具有某类广义代谢功能的家族,其成员可能具有不同的底物特异性。某个基因也可能虽存在,却已受损、被沉默,或依赖另一个基因座才能发挥作用。将泛基因组与转录组测量、蛋白质组学及针对性实验相结合,可以缩小这些认知差距,同时避免将所有基因组差异视为具有同等的功能意义。
随着资源规模扩大,计算维护也成为一个科学问题。新增基因组可能改变家族边界、图拓扑结构、坐标映射和变异标识符。分析需要有版本记录的发布数据、可追溯的样本元数据、有文档说明的质量标准,并明确区分序列不存在与信息缺失。基准评估十分复杂,因为并不存在适用于所有基因组区域或变异类别、普遍完备的真值集。在相对易于分析的区域中测得的结果,未必能反映方法在富含重复序列或高度重复的区域中的表现。
人类泛基因组资源还涉及数据隐私、知情同意和治理。基因组序列不仅可能揭示捐献者本人的信息,也可能揭示其亲属的信息;限制直接身份标识信息的使用,并不能消除所有身份识别风险。公开发布、受控访问和后续再利用,都必须遵循获取样本时约定的条件。当通过新增采样来弥补某些群体在历史上代表性不足的问题时,与参与群体保持沟通和协作尤为重要;被纳入数据集,本身并不能解决控制权、获益或适当使用方面的问题。
对于所有泛基因组系统而言,如何解读序列缺失仍是一项实际限制。未被观察到的序列,可能在生物学上确实不存在,也可能未被组装、未被注释、已被过滤掉,或仅仅存在于所采样种群之外。可靠的资源会保留足够的证据,以区分这些可能性,包括测序读段支持、组装质量、注释来源,以及推断所适用的确切种群。