圣大科学家参与新型人类参考基因组的创建

第一套组装的基因组是在约20年前获得的。人类基因组计划（The Human Genome Project, HGP）花费了数十亿美元，由世界各地的许多专家进行了十多年的努力。与此同时得到的组装基因组实际上还远远没有完成。由于研究各个阶段的多种问题，有近10%的人类基因组无法组装：从生物实验问题到解决组装的算法问题。在接下来的20年中，参考基因组被多次优化，但即使最新版本的GRCh38仍然包含约1.61亿个碱基对的未知序列—— 约占基因组的5%。

Github：Telomere-to-Telomere国际合作

“组装的最大挑战之一是冗长的重复序列。使用仅能产生短片段的测序技术，就不可能确定这样的重复区位于基因组的何处及其数量。但是在2010年代，Pacific BioSciences公司和Oxford Nanopore公司开发了新的测序技术。使用这些技术获得的序列比上一代测序仪获得的序列要长得多，包含有成千上万个碱基，”项目作者之一，圣大“算法生物技术中心” 实验室的研究员阿拉·米赫延科（Алла Михеенко）说。

因此直到现在，在首次组装人类基因组近20年之后，科学终于准备好填补参考基因组中的所有空白。为此，来自不同国家的研究人员组成了Telomere-to-Telomere国际联合体（T2T），由美国国立卫生研究院（The National Institutes of Health, NIH）的亚当·菲利皮（Adam Phillippy）和加利福尼亚大学圣克鲁斯分校的卡伦·米加（Karen Miga）领导。要了解联合体名称的含义，必须了解端粒——它是基因组中位于每个染色体末端的部分。相应的，T2T的目的是“从端粒到端粒”，即从头到尾组装每个染色体。

T2T搭建的新型参考基因组的首个版本于2020年秋季发布。现在，联合体正在撰写一篇学术长文，其中将详细描述组装基因组及检查错误的方法。很快，摆在世界各地研究人员面前的将是大量分析新型参考基因组的工作。

我们小组由帕维尔·佩夫兹纳（Павел Певзнер）教授领导，主要从事与人类基因组最复杂的区域，即着丝粒相关的工作，不久前着丝粒的组装还基本不可能完成。它们是长度为几百万个字符的区域，其中相同的序列可能重复数千次。着丝粒参与最重要的细胞过程，例如细胞分裂。

——塔季亚娜·德沃尔金娜（Татьяна Дворкина），项目作者之一，圣大“算法生物技术中心”实验室工作人员

博士研究生安德烈·布兹卡泽（Андрей Бзикадзе）在加利福尼亚大学圣地亚哥分校的帕维尔·佩夫兹纳实验室中编写了首个能够接受着丝粒自动组装的程序。之后，由美国国立卫生研究院的谢尔盖·努尔克（Сергей Нурк）领导的小组编写了 HiCanu 程序，该程序能够从 Pacific BioSciences 测序仪产生的高精度长片段中组装出任何基因组。基因组测序项目使用这两个程序来获得所有染色体的着丝粒序列。值得注意的是，安德烈·布兹卡泽和谢尔盖·努尔克两位科学家都曾在圣大进行论文答辩（分别为硕士和博士学位）。

TandemTools 程序是由圣大算法生物技术中心的员工阿拉·米赫延科和阿列克谢·古列维奇（Алексей Гуревич）开发的，该程序可以在着丝粒组装的第一批方案中发现重要错误，校正组装算法，最后获得正确的序列，这些序列已包含在发布的组装基因组中。由实验

室员工塔季亚娜·德沃尔金娜开发的另一个程序 StringDecomposer 用于研究着丝粒的结构，其工作结果将阐明与人类基因组进化有关的许多重要问题。

重要的是必须了解，收集每个人的高质量基因组是一项极其困难和昂贵的任务，另一方面，则是完全不必要的。从基因上说，两个不同的人相似比例超过 99.9%。我们可以对一个人的 DNA 进行测序，将得到的片段与已知参考标准（或参照系）进行比较，找出其差异。

——塔季亚娜·德沃尔金娜，项目作者之一，圣大“算法生物技术中心”实验室工作人员

与参考基因组的差异既可以是“有害的”，例如导致遗传疾病的突变，又可以是“有益的”，例如有些突变会降低罹患癌症或心血管疾病的风险。寻找“有害”突变对于理解各种疾病的发生机制，预测风险和治疗方法的开发都非常重要。

现在，任何人都可以对自己的基因组进行测序，并得知自身携带哪些遗传疾病，是否有将这些疾病传染给儿童的风险，是否有较高风险患上阿尔茨海默氏病或癌症。科学家将成千上万人的基因组与参照系进行比较，获得了所有上述数据。

“研究人员几乎每天都在发表新文章，报告基因组中某些区域与疾病之间的联系。这就是基因组参考序列完整且无误的重要原因所在。否则，某些疾病的发展机制将仍然无法揭示，且难以开发针对这些疾病的治疗方法，”阿拉·米赫延科说道。