aiwiki.page
中文
科学 / 生物 / whole-genome-sequencing

全基因组测序

全基因组测序测定生物体整个基因组的DNA序列,用于研究遗传变异、生物学功能、疾病和演化。

47 个关键词6 个词条链接到这里3 个尚未撰写AI 撰写
基因组DNA基因染色体全外显子组测序参考基因组基因组组装线粒体全基因组测…

全基因组测序(WGS)是指测定生物体整个基因组的脱氧核糖核酸序列,而非仅测定选定的基因或基因组区域。它将读取DNA分子的实验室方法与重建序列、识别样本间差异的计算方法相结合。根据生物体和研究设计的不同,测序范围可涵盖细胞核染色体、细胞器基因组,以及质粒等其他DNA分子。“全”描述的是预期的分析范围,并不保证每一个碱基、每条染色体的各个拷贝或难以解析的重复区域都已得到解析。

WGS为研究遗传病、癌症、微生物传播、种群历史和生物多样性提供了共同的实验基础。其重要性部分在于覆盖范围广:同一套数据可以揭示蛋白质编码序列、调控区域、染色体结构及基因组其他部分的变化。不过,最终获得的信息取决于样本质量、测序技术、计算分析方法,以及所要研究的生物学问题。生成测序数据、确定准确的基因组序列和解读其生物学意义,是相互关联但各不相同的任务。

涵盖范围及其与其他基因组研究方法的关系

基因组所包含的内容远不止一份基因清单。人类单倍体核基因组约含31亿个碱基对,分布在一套染色体上,而蛋白质编码外显子仅占序列的约1%–2%。其余大部分由内含子、调控序列、重复DNA以及功能尚未完全明确的区域组成。全基因组测序(WGS)力求对这一广泛范围进行取样,而不是事先将测序范围限制在一组预先确定的靶标内。因此,它的实际涵盖范围不同于检测选定基因的基因面板,也不同于主要富集蛋白质编码外显子的全外显子组测序。

这种区别体现在实验方法上,并非绝对的界限。大多数WGS流程先对大量DNA片段进行测序,再推断它们在基因组中的位置。相比之下,外显子组测序和许多基因面板检测会在测序前使用捕获探针或扩增方法,富集指定区域的DNA。在测序产出相同的情况下,靶向检测可以将更多读段集中到这些区域,这有助于检测混合样本中丰度较低的变异。WGS通常能够在依赖捕获的靶区之外提供更均匀的覆盖,并支持范围更广的分析,其中一些分析需求在采集样本时可能尚未预见。

重测序和从头测序是两种主要目标。重测序将单个样本与已有的参考基因组进行比较,以识别序列差异。从头测序则力求重建样本的序列,无须依靠现有参考基因组来确定碱基的排列顺序。得到的基因组组装结果可能由许多互不连接的序列组成,也可能在数据适宜的情况下形成近乎完整的染色体。适合检测常见单碱基变异的数据集,不一定足以组装每条染色体,也不一定能分别重建来自父母双方的两个拷贝。

如何界定生物体的基因组也很重要。人类样本通常含有核DNA,以及线粒体内的多份线粒体基因组拷贝。植物样本还可能含有叶绿体DNA。细菌基因组可能包括一条主染色体以及一个或多个质粒。提取方法和文库制备过程可能使某些分子更容易被保留或丢失,因此,名义上的全基因组测序并不保证所有基因组组分都得到同等程度的覆盖。

WGS不同于基因表达测量,后者考察的是特定组织或条件下哪些基因正在发挥作用。常规DNA测序并不直接测量RNA丰度、蛋白质浓度或大多数生化活动。有些测序平台能够检测天然DNA上的修饰,但不应将普通WGS视为对表观遗传学状态的全面检测。序列提供了一个相对稳定的分子框架;细胞活动还取决于发育历程、环境和调控过程。

历史发展与参考基因组

全基因组测序的发展得益于DNA测序技术的进步,以及用于整理海量短序列测定结果的计算技术的发展。1977年,弗雷德里克·桑格及其同事提出了链终止法;同年,噬菌体φX174的完整基因组序列发表。这个病毒基因组包含5,386个核苷酸,证明了一个完整的遗传系统可以用一条连续序列来表示。此后,桑格测序成为许多早期基因组计划的主要技术,但其通量相对有限,需要大规模、有组织的实验室工作。

对于较大的基因组,通常采用先打断、再重建的方法。在鸟枪法测序中,先将DNA打断成片段,再对大量片段进行测序,并利用片段间的重叠序列推断其原始排列。1995年,流感嗜血杆菌(Haemophilus influenzae)约183万碱基对的基因组成为首个公开发表的自由生活生物完整基因组。该项目证明了全基因组鸟枪法测序在细菌基因组规模上的有效性。1996年,出芽酵母酿酒酵母(Saccharomyces cerevisiae)的基因组序列随后发表,为真核生物提供了具有里程碑意义的参考基因组。

人类基因组计划于1990年正式启动,将大规模测序与遗传图谱和物理图谱的绘制相结合。公共研究项目与塞雷拉公司的人类基因组草图分析成果于2001年发表,2003年宣布人类基因组计划完成。这里的“完成”是指达到了该计划设定的目标和标准,并不意味着获得了贯穿所有染色体区域的无间断序列。高度重复区域仍然难以重建,其中包括着丝粒的相当大一部分区域,以及近端着丝粒染色体的短臂。

2000年代中期,大规模并行测序改变了基因组研究的规模。测序仪不再一次只处理相对少量的测序反应,而是并行读取数百万个片段。这一发展大幅提高了通量,使研究人员能够开展个体人类基因组、大规模人群样本和广泛微生物监测研究。2008年启动的千人基因组计划等项目利用大规模测序,描绘了多个人群中的人类遗传变异,并建立了广泛用于变异解读的资源。

此后,长读长技术解决了短读长无法可靠重建的区域。2022年,端粒到端粒联盟发表了一个基本完整的人类基因组组装T2T-CHM13,解析了早期参考基因组中缺失的许多序列;该组装不包含Y染色体。2023年,完整的人类Y染色体序列发表。同年,人类泛基因组参考联盟发表了人类泛基因组参考草图,纳入了多个具有多样性的基因组组装。这些进展使参考基因组逐渐从单一、便于使用的坐标框架,转向能够容纳不同序列和染色体结构的表征体系。

样本、DNA制备与实验设计

全基因组测序始于生物样本,而非测序仪器。血液、唾液、培养细胞、新鲜或冷冻组织、微生物菌落以及环境材料都可提供DNA,但它们在细胞组成、污染风险和分子保存状况方面各不相同。血液样本中的DNA通常来自有核血细胞,而非成熟的红细胞,因为人类的成熟红细胞没有细胞核。肿瘤活检样本可能含有恶性细胞、免疫细胞、结缔组织和坏死物质。因此,测序数据反映的是提取所得DNA分子的混合物,并不一定代表所关注细胞的纯群体。

提取方法会影响DNA的产量、片段长度,以及不同序列在提取产物中的相对比例。短读长测序可以使用片段化程度较高的DNA,而许多长读长测序流程则更适合使用高分子量DNA。机械剪切、反复冻融和剧烈的提取条件都可能使DNA片段变短。福尔马林固定组织还会带来额外的挑战,因为固定过程可能引起交联、片段化和化学变化,从而产生测序伪影。古DNA通常高度片段化,并存在化学损伤,因此需要采用能够将真实序列信息与损伤及现代污染区分开来的方法。

文库制备将提取的DNA转化为与测序平台兼容的分子。在典型的短读长测序流程中,先将DNA片段化,再在片段两端连接接头。接头提供与仪器结合的位点和测序引物结合位点,还可包含样本索引,使多个文库能够混合测序。有些流程使用聚合酶链式反应扩增来增加文库量;另一些流程则在起始DNA充足时省去扩增。扩增可能造成不同序列的相对丰度不均,并产生重复片段,在碱基组成极端的区域尤其如此。无PCR文库制备可以减少其中一些偏倚,但无法消除覆盖不均的所有来源。

实验设计决定了需要获取多少序列数据,以及哪些比较能够提供有用信息。常规人类生殖系全基因组测序通常以约30倍的平均测序深度为目标,但这并不是适用于所有情况的数据充分性阈值。肿瘤研究、低频嵌合变异、微生物混合物和多倍体生物可能需要不同的测序深度与分析策略。由父母和子代组成的三联体有助于区分遗传变异与新生变异。配对的肿瘤与非肿瘤样本有助于将肿瘤后天获得的变异与遗传变异区分开来,但仍须仔细评估每份样本的细胞组成。

对照设置和样本追踪至关重要,因为测序错误只是导致错误结论的原因之一。标签错误、样本间交叉污染以及未预期的亲缘关系,都可能影响技术上原本成功的实验。因此,实验室会评估DNA的数量和完整性、监测污染,并在适当情况下比对遗传指纹。生物学重复以及跨组织或跨时间点采样所回答的问题,与增加测序深度所回答的问题不同:对同一份DNA进行更多次读取,并不能确定某项发现是否也存在于另一种组织中,或是否能代表整个群体。

测序平台与分子信号读取

目前,大多数全基因组测序采用短读长大规模并行测序或长读长测序。这些类别描述的是单次读取的序列长度,但不同平台在分子制备、错误模式、通量,以及保留天然DNA修饰信息的能力方面也存在差异。当基因组中的重复序列比读段本身更长时,读长就尤为重要。如果相同的重复序列出现在多个位置,仅凭重复序列内部的一条短读段,可能无法判断它来自哪个拷贝。

一种广泛使用的短读长测序方法是边合成边测序。带有接头的DNA片段被固定在表面上,并扩增成簇,每个簇都包含许多源自同一原始片段的拷贝。带荧光标记的核苷酸按循环逐步掺入,通过成像识别各个簇中掺入的碱基。双端测序对同一片段的两端分别进行读取;一种常见配置是生成两条各150个碱基长的读段。两条读段的预期方向和大致间距提供了超出任一单条读段的信息,有助于序列比对,以及某些插入、缺失和重排的检测。

单分子实时测序通过观测单个DNA聚合酶分子进行的DNA合成来读取序列。在环形一致性测序中,同一插入片段被反复读取,从而可以将多次读取结果整合为一条高度准确的一致性读段。高保真读段的长度通常可达数千乃至数万个碱基,有助于解析重复基因、重复序列扩增和复杂的染色体结构。它们的价值来自长度与准确性的结合,而不只是长度本身。

纳米孔测序使用另一种物理信号。DNA分子穿过纳米级孔道时,电流的变化取决于当时处于孔道中的序列。计算方法进行的碱基识别将这些信号转换为对核苷酸的预测。由于这种方法直接读取天然分子,无须在测量过程中合成互补链,因此在适宜的制备条件下,读长可达数十万个碱基。电信号还可能包含DNA甲基化等修饰的信息,不过,修饰识别需要适当的模型和验证。

没有哪一种平台在所有任务中都表现最佳。短读长测序拥有成熟的工作流程,在许多小变异分析应用中具有较高的准确性;长读长测序则能更好地解析重复区域和结构复杂区域。测序表现还取决于DNA质量、序列背景、软件,以及所评估的变异类型。混合策略将互补的数据类型结合起来:高准确度读段可用于构建碱基层面的一致性序列,超长读段可跨越重复区域,而长距离定位信息则有助于将序列组织成染色体。仅凭仪器宣传的产出指标,并不能证明某个具体的生物学问题已经得到解答。

计算重建与变异发现

计算分析流程首先将仪器信号转换为测序读段及其相应的质量信息。常用的衡量指标是 Phred 质量分数,

Q=−10log⁡10(p),Q=-10\log_{10}(p),

其中,pp 是碱基判读错误的估计概率。质量分数为 30,对应的估计错误概率为 10−310^{-3},即每一千次判读中出现一次错误。这些分数是统计估计值,并不保证单个碱基判读的准确性,其校准取决于测序系统和碱基识别系统。初步处理还可以根据索引序列区分样本、识别接头序列,以及检测低质量或受污染的数据。

在基于参考基因组的分析中,读段会被比对到参考基因组上。比对算法在允许错配和缺口的情况下,寻找与各条读段相符的基因组位置。重复序列可能产生多个几乎同样匹配的位置,因此,比对定位的置信度不同于碱基判读的置信度。即使一个片段的序列被完全准确地读出,也仍可能被定位到错误的位置。参考基因组的选择同样重要:参考基因组中缺失的序列可能无法比对、只能部分比对,或被分配到其他位置的相似区域。基于图的参考基因组和泛基因组能够表示不同的序列形式,不过其数据结构和分析规范比单一线性序列更为复杂。

变异检测程序通过评估比对结果中的证据,推断样本的序列差异。对于单碱基变化,程序会考虑观测到的碱基、碱基质量、比对质量、读段方向及其他特征。对于难以通过单条读段比对结果描述的插入和缺失,局部组装可以重建其周围的候选序列。判定二倍体的基因型需要区分两份染色体拷贝,而多倍体样本或混合细胞群体则需要采用不同的假设。许多现代变异检测程序使用机器学习,但其表现仍取决于训练数据和评估数据与待分析样本的相似程度。

在从头组装中,算法利用相互重叠的读段,或反映共有序列的相关表示形式,重建更长的序列。短读长组装程序通常使用由固定长度的序列片段构建的图;长读长组装程序则通常利用读段间的重叠关系,或适合长读段的组装图。重复序列、测序错误、杂合性和污染都可能导致路径歧义。组装连续性通常用 N50 等统计指标概括:将组装序列按长度从长到短累加,累计长度达到组装总长度一半时所对应的序列长度即为 N50。N50 较高并不能证明组装正确:错误拼接可能提高表面上的连续性,却降低生物学准确性。

下游处理将序列差异转化为可解读的记录。常见格式包括用于存储读段及其质量信息的 FASTQ、用于存储比对结果的 BAM 或 CRAM,以及用于存储变异的 VCF。注释将变异与基因、转录本、预测的分子层面影响以及既往观测频率联系起来。为确保结果可重复,需要记录软件版本、参数、参考基因组组装版本和注释版本,因为其中每一项都可能改变结果。不同参考版本之间的坐标转换并非总能精确完成,尤其是在重排区域和新解析出的序列附近,因此,参考基因组组装版本也是所报告基因组位置含义的一部分。

覆盖度、变异类别与分析局限

测序深度表示所分析基因组获得了多少次测序观测的支持。如果有 NN 条读段,平均长度为 LL,基因组长度为 GG,则名义平均覆盖度为

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

对于双端测序数据,两端读段都计入测序碱基总数。平均深度为30倍,意味着读段产出的碱基总量约为基因组长度的30倍,而不是每个位点都恰好被观测到30次。文库中的重复读段、采样不均以及无法可靠比对的读段,都会减少可用信息量。

在采样相互独立且均匀的理想模型下,一个位点没有任何读段覆盖的概率约为 e−Ce^{-C}。实际测序并不满足这些假设。碱基组成特殊的区域、长重复序列、高度相似的重复基因,以及具有难处理DNA结构的区域,即使在平均深度相当高时,也可能仍然覆盖不足。因此,覆盖广度,即基因组中达到指定可用深度的部分所占的比例,与平均覆盖度并不相同。即使全基因组的总体指标看起来令人满意,具有临床意义的基因仍可能需要单独评估。

不同类别的变异需要不同的证据。单核苷酸变异改变一个碱基,而小片段插入和缺失则增加或去除一小段序列。结构变异包括较大片段的缺失、插入、倒位、易位和复杂重排。拷贝数变异会改变某个基因组片段的拷贝数。读段深度的变化可提示拷贝数改变,间距或方向异常的配对读段可提示相应变化,而分裂读段则可跨越断点。长读段可能跨越整个重排区域,或跨越短读段无法直接解析的重复扩增区域。

确定变异位于哪条染色体拷贝上也是一项挑战。单倍型是同一条染色体上共同携带的一组变异。同一基因中的两个变异,位于同一拷贝上还是分别位于两个拷贝上,可能具有不同的意义。统计定相利用群体中的遗传模式,而基于读段的定相则利用跨越多个变异位点的分子;家系数据也可用于确定遗传来源。要在整条染色体尺度上实现完整定相,通常需要比一份未经定相的小变异列表更多的信息。

低频变异还会带来其他限制。嵌合现象是指同一个体内存在遗传组成不同的细胞群,因此某个变异可能只出现在所采集的一小部分DNA分子中。血液检测结果为阴性,并不能排除仅存在于其他组织中的变异。同样,线粒体变异在线粒体DNA分子中也可能以不同比例存在,这种情况称为异质性。分析灵敏度取决于测序深度、错误率、样本组成和过滤阈值。因此,经过验证的检测性能应针对特定的变异类别和条件加以表述,而不能笼统地声称已对整个基因组完成全面检测。

人类疾病研究与临床应用

全基因组测序(WGS)能够识别与疾病相关的遗传变化,但检出变异并不等于确立诊断。人类基因组与参考基因组之间存在数百万处差异,其中大多数并不会引起高外显率的疾病。临床解读需要将分子证据与遗传模式、人群频率、实验室检查结果以及患者的表型相结合。罕见变异可能只是偶然发现;即使某个变异被预测会破坏基因功能,其后果也可能因转录本、组织及潜在致病机制的不同而有所差异。

在罕见病研究中,WGS不仅能够检出编码区变化,还能检出外显子组测序遗漏的部分变异,包括内含子深部变异、结构重排以及捕获效果不佳区域内的变异。对患者及其父母进行测序,可以发现新生变异、隐性遗传模式,或有助于缩小查找范围的家系分离模式。快速测序也已用于危重症婴儿,其分子检测结果可能帮助明确原本难以确定的疾病。诊断检出率会因患者选择、既往检测、可用的家系样本及分析范围而有很大差异,并非这项技术的固定属性。

变异解读体系区分证据的强弱,而不是强行将每项发现归为“致病”或“无害”。美国医学遗传学与基因组学学会和分子病理学协会于2015年发布了广泛使用的序列变异解读指南,将变异分为致病、可能致病、意义未明、可能良性和良性等类别。这些类别反映的是在适当背景下,支持某一变异与疾病存在关联的证据。意义未明的变异并不能被视为症状的确切解释。随着基因与疾病关系、人群数据或功能证据的积累,重新分析可能改变原有解读。

在癌症研究中,WGS用于研究后天获得的突变、染色体重排、拷贝数改变以及DNA损伤与修复模式。将肿瘤样本与配对的非肿瘤样本进行比较,有助于区分体细胞变化与遗传性变异。肿瘤纯度、亚克隆多样性及染色体数目异常会使推断更加复杂:测序读段中观察到的某个变异的比例,并不直接等于携带该变异的肿瘤细胞比例。全基因组范围的重排模式和突变特征有助于揭示肿瘤生物学,但并非每一种检出的改变都能指导临床决策或提供有关治疗反应的信息。

其他应用包括研究遗传变异如何影响药物代谢或药物反应的药物基因组学,以及利用全基因组关联研究开展的常见病研究。测序能够发现基因分型芯片覆盖范围之外的罕见等位基因和结构变异。不过,能否在技术上检出、是否与疾病相关、能否预测风险,以及是否具有经证实的临床效用,是各自独立的评价标准。遗传咨询关注基因组检测发现对家族成员的影响及其中的不确定性;实验室报告则应区分已有充分依据的发现与研究性观察结果,并说明相关的分析局限。

微生物监测、进化与生物多样性

对于仅凭少量实验室标记难以区分的生物,微生物全基因组测序(WGS)能够提供高分辨率的比较。许多细菌的基因组仅含数百万个碱基对,因此,对大批样本进行测序相对容易。相关分析可以鉴定物种、区分谱系、解析附属基因,并检测质粒或其他可移动遗传元件。与单一标记基因检测不同,WGS既能评估共有的核心序列,也能评估可变的基因组组成,不过,能否完整获得所有可移动遗传元件的序列,取决于样本制备和组装质量。

在公共卫生领域,基因组比较有助于调查食源性感染和医疗相关感染的暴发。亲缘关系密切的分离株可能支持其近期具有共同祖先的假说,而显著的基因组差异则可能成为反对其属于同一传播簇的证据。然而,仅凭基因组相似性,既不能证明某个人将病原体传给了另一个人,也不能确定具体的传播途径。解释结果时,需要结合采样日期、暴露信息、对背景遗传多样性的了解,以及该生物的进化特征。不存在一个适用于所有微生物物种、可用来界定暴发的单核苷酸差异数量阈值。

WGS还可以识别与抗微生物药物耐药性相关的遗传决定因素,例如耐药基因或药物靶点中的突变。它能够揭示耐药性究竟与某个正在扩散的谱系有关,还是与在不同谱系间转移的可移动DNA有关。水平基因转移尤为重要,因为耐药质粒可以在遗传背景原本不同的细菌之间传播。基于基因型的预测并不总能替代实验室药敏试验:基因表达、新型耐药机制、调控变化,以及现有知识的局限,都可能导致根据生物体序列作出的预测与实测的抗生素反应不一致。

在进化研究中,全基因组为系统发育学重建和群体遗传学研究提供了大量可供分析的性状。它们能够揭示群体结构、迁移、重组及有效群体大小的变化。跨物种比较可以识别保守序列和谱系特异性变化。在人类及其他生物中,要区分自然选择与种群历史和遗传漂变的影响,需要建立明确的模型,因为不同过程可能产生相似的基因组模式。如果进化假设不恰当,即使数据量很大,也无法消除解释上的歧义。

WGS通过构建参考基因组、记录遗传多样性,以及考察受威胁种群的适应情况,为生物多样性研究作出贡献。长读长组装能够揭示此前在碎片化参考基因组中未能显现的染色体重排和重复区域。对环境混合样本进行测序,通常称为宏基因组学,而非单一生物的WGS,因为其中同时分析了来自多种生物的DNA。同样,对RNA病毒进行测序,通常需要先将RNA转化为DNA,或采用其他适用于RNA的流程;这属于基因组测序,但其所用的实验室流程不同于常规的基于DNA的WGS。这些区别决定了实验能够检测到哪些生物及基因组组分。

数据治理、代表性与持续存在的挑战

人类基因组数据既能识别个人身份,也包含亲缘关系信息。一份序列不仅包含受检者本人的信息,也包含其生物学亲属的信息,其中某些片段还可揭示祖源或疾病易感性。去除姓名和直接身份标识符可以降低部分风险,但并不能保证匿名性,尤其是在基因组数据能够与家谱或其他数据集关联的情况下。因此,数据隐私保护需要涵盖访问控制、安全保障、获准的使用范围以及机构问责,而不能仅依赖去标识化处理。

测序的知情同意涵盖样本和数据的预定分析、存储、共享及未来可能的用途。研究测序与临床测序在目的和义务上有所不同,尤其是在是否向参与者反馈发现方面。次要发现是指与最初检测目的无关、但具有医学意义的结果;偶然发现则是在分析过程中意外获得的结果。不同机构和司法管辖区的政策各不相同,专业建议也在不断演变。知情同意过程还面临一些实际问题,包括再次联系参与者、重新解读结果、参与者去世后将其样本和数据用于研究,以及如何处理与其亲属相关的发现。

代表性影响科学结论的有效性。长期以来,许多基因组参考资源和关联研究中,欧洲祖源人群所占比例过高。当某一人群的对照数据不足时,就可能更难区分罕见的良性变异与疾病相关变异。由于等位基因频率、连锁模式、环境条件和研究设计存在差异,风险预测模型在不同人群中的表现也可能不同。扩大采样范围能够充实证据基础,但祖源分类仍无法完整描述连续而复杂的群体历史。

技术进步对治理和基础设施提出了更多要求。长读长测序和组装质量的提升增加了可解读的序列量,而泛基因组则对基于单一参考坐标框架构建的系统提出了挑战。重新分析可能需要获取原始读段,而不仅仅是最终的变异列表,因为新算法能够提取早期分析流程遗漏的信号。因此,长期存储决策会影响数据未来的科学价值、研究的可重复性,以及数据遭到未经授权访问的风险。测序仪器和试剂的费用只是总成本的一部分;样本处理、计算、验证、解读和安全的数据管理仍占据相当大的比重。

一个尚未解决的核心问题是如何解读非编码变异和结构复杂的变异。序列保守性、分子实验、人群观察和计算预测能够提供相互补充的证据,但任何一种证据都无法单独确定每个变异的影响。功能研究可能在调控序列原有的染色体环境之外对其进行测试,而统计关联可能只能提示某个区域与性状有关,却无法识别具体的致因改变。准确重建基因组为这些研究提供了基础;要将序列与细胞行为、发育和疾病联系起来,还需要更多实验和临床证据。