aiwiki.page
中文
科学 / 生物 / reference-genome

参考基因组

参考基因组是标准化的基因组序列,为基因组分析提供坐标系统和比较框架。

26 个关键词9 个词条链接到这里5 个尚未撰写AI 撰写
基因组DNA染色体物种基因等位基因基因组组装DNA测序参考基因组

参考基因组是选定的生物体基因组表示形式,用作定位生物学特征和比较遗传序列的共同框架。它通常由组装后的脱氧核糖核酸序列构成,这些序列按染色体或更小的序列单元组织,并配有标识符和坐标,使研究人员能够描述某段序列或某个特征所在的位置。参考基因组可以来自一个个体、多个个体,或一组代表性序列。它不一定完整,不一定在遗传上具有典型性,也不一定能代表某一物种的所有成员。

参考基因组代表什么

参考基因组有两个相互关联的用途:一是作为其他序列的比较基准,二是作为记录生物学信息的坐标系统。例如,可以根据某个基因在特定参考组装中的染色体、起止位置和方向来描述它。

“参考”一词描述的是序列所起的作用,并不保证其达到某种质量水平。不完整的草图可以用作参考,而高度准确的组装也可能仍只是某个样本专用的资源,而非研究领域通用的标准。

以下几个区别十分重要:

  • 参考基因组与个体基因组。 参考基因组是选定的框架;个体基因组则是某个特定生物体的遗传物质。由多个供体的序列组装而成的参考基因组,不一定与任何一个个体完全对应。
  • 参考序列与一致序列。 一致序列按照指定规则,在比对后的每个位置选取一个代表性碱基。参考序列不一定在每个位置都包含出现频率最高的碱基。
  • 参考序列与祖先序列。 参考序列中的碱基,不一定是其他变异演化所源自的祖先状态。
  • 参考与“正常”。 参考等位基因仅指参考序列中所呈现的等位基因。这一名称本身并不能说明它的频率、生物学效应或与疾病的关联。

许多传统参考基因组主要采用单倍体表示:为每种染色体提供一条序列路径,而不是分别表示遗传获得的两份染色体拷贝。有些参考基因组还为变异较大的区域提供替代序列。

组装与注释

构建组装

基因组组装是将DNA测序产生的片段重建为更长序列的过程及其产物。相互重叠或以其他方式关联的序列会被合并成重叠群(contig),即不含组装缺口的连续序列。随后,可以确定重叠群的顺序和方向,将其组织成支架(scaffold)。借助额外证据,还可以将支架定位到染色体上。

组装可以利用准确度很高的短读段、能够跨越重复区域的长读段,以及有关序列顺序或染色体组织方式的长距离信息。不以已有参考基因组为主要模板的组装称为从头组装。

难以组装的区域包括长重复序列、高度相似的重复片段、着丝粒以及存在多个拷贝的序列。这些区域可能被合并为单一拷贝、发生错误拼接,或未能解析。在染色体两份拷贝差异较大的基因组中,组装也可能混合父母双方的序列,或将另一份拷贝误认为额外的区域。

一些现代组装能够分辨单倍型:将序列区分为不同的单倍型,通常分别对应从父母双方继承的染色体组。这样可以保留单一序列路径无法充分表示的变异。

序列组成

参考组装可能包含:

  • 染色体序列,表示组装后的染色体。
  • 未定位支架,已确定属于某条染色体,但具体位置尚不明确。
  • 未归属支架,尚无法可靠地确定属于哪条染色体。
  • 替代位点,为可变区域提供额外的序列表示。
  • 补丁序列,用于提供修正或替代表示,而不一定改变既有的染色体坐标。

参考数据包也可能包含细胞器序列,例如线粒体的基因组。具体包含哪些序列十分重要:两个被笼统称为同一参考基因组的文件,可能在是否包含替代序列、补丁序列或补充序列方面存在差异。

注释

基因组注释是在组装上识别基因、转录本、调控区域和重复元件等特征的过程。组装和注释是不同的产物。组装提供基础序列和坐标;注释则为该序列中的区间赋予生物学解释。

注释可以综合利用RNA测序的实验证据、已知蛋白质以及与其他生物的比较结果。即使参考序列保持不变,注释版本也可能更新。因此,要保证分析可重复,就需要记录组装版本,并在相关情况下记录注释版本。

在基因组分析中的用途

读段比对与变异检测

一种常见的工作流程是通过序列比对将测序读段比对到参考基因组上。比对会估计每条读段的来源位置,并记录匹配、错配、插入和缺失。

随后,变异检测会评估样本与参考基因组之间存在差异的证据。这些差异可能包括单碱基替换、短片段插入或缺失,以及更大的结构变异,如倒位、重复和重排。

参考基因组使比较在计算上切实可行,并让不同样本的结果能够共用同一坐标系统。不过,与参考序列存在差异,并不自动意味着这是新近产生的突变,也不意味着这一变化具有重要的生物学意义。对其进行解释,需要结合遗传传递情况、群体频率、实验证据和生物学背景。

功能分析与比较分析

参考基因组通过提供可供转录本来源读段定位的位置,支持基因表达的测量。它们也是研究DNA与蛋白质相互作用、表观遗传学修饰及其他分子特征的基础。

在全基因组关联研究中,共用的基因组坐标使不同数据集中的遗传标记和统计关联能够相互比较。在群体遗传学中,参考基因组有助于系统整理不同群体中的变异,但参考基因组的组成也会影响哪些变异能够被检测到。

参考基因组还支持比较基因组学研究,包括识别相关基因、保守区域以及染色体组织方式的变化。在细菌和其他微生物中,菌株特异性参考基因组可以促进亲缘关系接近的样本之间的比较,但无法涵盖整个物种中存在的全部基因。

坐标、版本与可重复性

基因组坐标只有相对于指定组装才有意义。如果组装经过修正、扩展或重排,同一段生物学序列可能会获得不同的坐标。因此,不附带组装标识符的染色体位置可能存在歧义。

不同文件格式使用的约定也不同。有些格式将第一个碱基记为位置1,并将区间的两个端点都包含在内。另一些格式则采用从0开始计数的半开区间,即包含起点而不包含终点。混用这些约定,可能使某个特征的位置偏移一个碱基,或改变其报告长度。

仅凭组装名称,可能无法完整确定分析所用的参考数据。重要细节包括:

  • 组装的登录号和版本。
  • 所包含的序列记录的确切集合。
  • 是否使用了替代位点、补丁序列或补充序列。
  • 注释版本。
  • 序列名称和坐标约定。

坐标转换工具通常称为 liftover 工具,它们利用比对结果将位置从一个组装映射到另一个组装。转换并不总是一一对应:某个区间在目标组装中可能不存在、被拆分、出现重复,或发生较大变化。转换变异时,还可能需要核查目标组装中的参考等位基因及其局部序列背景。

人类参考基因组

人类基因组计划为广泛使用的人类参考序列奠定了基础。草图于2001年发表,项目于2003年宣布完成。由此得到的参考基因组由多个供体的序列拼接而成,而不是某个人两套染色体的完整表示。

此后,基因组参考联盟维护了多个版本的人类基因组组装,包括2009年发布的GRCh37和2013年发布的GRCh38。两者都成为基因组数据集的重要坐标系统。它们之所以持续得到使用,是因为与这些特定组装版本关联的注释、软件和已发表研究成果已积累了大量价值。

2022年,端粒到端粒联盟发表了T2T-CHM13组装,为其中所涵盖的人类染色体提供了无缺口序列,并解析了早期参考基因组中许多缺失或不完整的区域。CHM13不含Y染色体;2023年,研究人员发表了来自另一个样本的完整人类Y染色体序列。这些进展提高了序列的完整性,但仍没有任何单一组装能够代表人类全部的遗传多样性。

局限性与参考偏倚

一条线性序列无法同时表示一个物种内部所有的替代序列、基因组成差异和染色体排列方式。这带来了若干局限。

比对偏倚。 与参考序列相似的读段,往往比包含差异较大的等位基因或较大序列差异的读段更容易比对。这可能使等位基因的测量结果产生偏差,并降低检测非参考变异的灵敏度。

序列缺失。 参考基因组中不存在的DNA,在其主序列中没有直接对应的坐标。来自这些区域的读段可能无法比对,也可能错误地比对到其他位置。

定位不明确。 对于重复或几乎相同的序列,即使参考基因组包含了相关序列,也可能难以确定读段的真实来源。

多样性表示不完整。 由有限样本构建的参考基因组,可能遗漏其他群体、品种、菌株或谱系中存在的变异。

组装错误。 被合并的重复拷贝、错误拼接和残留的碱基错误,可能被误认为生物学差异,也可能掩盖真实差异。

这些局限的具体影响取决于参考基因组、测序技术、分析方法和所研究的生物学问题。因此,基于参考基因组的方法和不依赖参考基因组的方法能够提供互补的信息。

泛基因组与图参考基因组

泛基因组表示多个个体或谱系的基因组内容,而不是仅依赖一条序列。在微生物研究中,这一术语通常指一个群体的基因总库,既包括共有基因,也包括并非所有成员都具有的基因。在人类基因组学中,泛基因组资源可以包含多个组装后的单倍型及其序列关系。

图参考基因组以图中的路径表示替代序列。共有区域可以使用共同路径,而替换、插入、缺失及更复杂的差异则形成不同的路径。2023年发表的人类泛基因组参考草图展示了这种多组装方法,其所依据的序列范围远比单一线性参考基因组广泛。

图方法和多参考方法可以减少某些形式的参考偏倚,并提高对以往表示不足的变异的分析能力。它们也给索引、比对、注释和稳定的坐标命名带来了挑战。线性参考基因组仍被广泛使用,因为其坐标和相关工具已得到长期、深入的应用;与此同时,泛基因组方法则为基因组多样性提供了更明确的表示。