从1990年至今，我们一直在接近完整的人类基因组。今天，在发表于《科学》杂志的6项新研究中，科学家破解了最为关键的测序难题，获得了完整的人类基因组序列，或能将我们对人类的生长发育和疾病的了解，推向了新的高度。
撰文 | 栗子、clefable
人类的细胞里，通常有23对染色体。如果仔细观察这些染色体，你会发现组蛋白和缠绕在其上的DNA。我们的DNA由ATCG4种碱基排列而成，生命的密码就藏在其中。人类的基因组包含大约30亿个碱基对，排列极其复杂，但有规律，因为人与人基因组的相似性高达99.9%。多年来，科学家们一直想要借助其中的规律了解人体工作的原理，特别是与疾病相关的机制。
1986年，《科学》杂志上刊登了一篇由诺贝尔生理学或医学奖得主Renato Dulbecco撰写的文章。他认为，癌症研究已经来到一个关键的结点：要么零碎地挖掘一些关键的癌症基因，要么测定一个特定物种完整的基因组。而想要攻克人类的癌症，测定人的基因组，了解参与关键的生理学和病理学过程中各个基因是必不可少的。
同年，杜尔贝科和其他科学家联合发起了人类基因组计划(Human Genome Project)——对人类的核基因组进行完整地测序，1990年这项计划正式启动，被誉为生命科学领域的“登月计划”。又过了14年，也就是2004年，首个人类基因组测序结果发表，但基因组上仍有大约2亿个碱基未知，占全部序列的8%。这些未知序列当中包含很多高度重复的碱基序列，受限于当时的技术难以破译。
从那以后，科学家们陆续发布了越来越完整的人类基因组序列。到2017年，图谱上的缺口已经不足1000个，但人类基因组依然不够“完整”。
今天，一个由近100名研究人员组成的国际性的科学组织——端粒到端粒(T2T)联盟，在《科学》杂志上发表了6篇论文，表示他们测出了那些高度重复的DNA序列，并获得了迄今为止最完整的人类基因组T2T-CHM13，其中包括30.55亿个碱基对，由22条常染色体和X染色体无缝组装而成。此时，基因组的缺口仅剩5个，这项研究也被认为是首个完整的人类基因组测序。
突破难题
为了获得完整的基因组，团队首先要解决测序中的一个难点：人体内的大多数细胞都包含两个基因组——一个来自父亲，一个来自母亲。当研究人员将DNA片段组装起来时，父本和母本的序列会混合在一起，无法确定某一个基因组中实际发生的变异。
因此，研究团队使用了一个匿名的细胞系，这个细胞系来自20多年前从一位女性子宫里切除的异常生长物。那位女性经历了妊娠失败——精子进入一个没有染色体的卵细胞。如果受精卵中只有精子的遗传物质的话，就无法长成一个胚胎，但依然可以复制，尤其是在精子携带X染色体的时候。
异常的受精卵有个好处，就是只包含一个基因组，23对染色体都是两两相同的。华盛顿大学的遗传学家、协助领导人类基因组计划的罗伯特·沃特斯顿(Robert Waterston)说，这对填补基因组中的缺口有很大的帮助，因为测序仪不再需要解决父母染色体不一样的问题了。
除此之外，还有一个更重要的难点，就是高度重复的序列。在进行基因组测序时，科学家通常需要将DNA切成较短的片段再逐一测序，然后将测序结果拼凑起来。但遇到大量高度相似的序列时，研究者便难以确定它们之间的排列顺序。因此，科学家需要借助更加先进的技术，每次测量更长的DNA序列，来减少拼凑的需求。
于是，T2T联盟的科学家使用了多项前沿的测序技术，包括读取10万个碱基的纳米孔测序设备(nanopore device)和一个更加精确但每次只能读取约1万个碱基的测序仪等。团队把这些手段用在一起，几乎消灭了所有的基因组难题，只剩下5个缺口，总共大约1000万个未知碱基。另外，由于那个细胞系中只有常染色体与X染色体，Y染色体的碱基序列还需要详细解析。
首次确定的序列
此次，研究团队为基因组填补了大约2亿个碱基，主要位于着丝粒区域和近着丝粒染色体的短臂区域，还有许多长度超过1000个碱基的大段重复序列。这些序列中包含1900 多个基因，大部分是已知基因的拷贝，但也包括182个新基因。
研究团队在着丝粒上发现了一段特别的序列，它可以和一种名叫“动粒”的蛋白复合物结合，而“动粒”参与调控着染色体的移动，也参与染色体的分裂过程。一旦这个序列发生变异，就可能影响细胞内的基因表达，从而导致癌症。
4种类型的染色体，其中从左到右地3个为近着丝粒染色体。这类染色体的短臂非常短。图片来源于Vedantu
科学家也发现，着丝粒区域出现了异常高的变异水平。他们分析，着丝粒以及附近区域呈现出“分层扩散”的演化模式，即存在着不断重复、但有突变的序列，新的序列会和旧序列连接，而旧的序列被新的序列挤到边缘，慢慢缩短。
除此之外，5条近着丝粒染色体的短臂区域的测序结果显示，这些短臂区域中包含了编码核糖体RNA的基因的多个拷贝，一共400份。更重要的是，短臂区域的变异水平也比较高，并有大量的重复序列，如可移动的转座子等。研究团队认为，短臂区域很可能是基因演化的热点区域，因为停留在那里的基因拷贝可以自由变异并获得新的功能。
图中右侧为染色体，它含有两条姐妹染色单体，它们的连接处为着丝粒。图片来源：National Human Genome Research Institute
科学家们十分重视基因组中的重复序列，并给它们编排了目录。在这些序列当中，碱基上的化学修饰可能和许多疾病有关，例如一些神经障碍和发育障碍等。并且那些疾病的出现，通常和某些重复序列的拷贝数量变化有关。
后续的计划
毫无疑问，这个新的人类基因参考图谱将会对基因组分析产生重大影响。它将能更好地支持个性化医疗、人群基因组分析和基因组编辑。欧洲分子生物学实验室的副主任、生物信息学家尤恩·伯尼(参与了人类基因组计划，没有参与这些研究)表示：“即使是5年前，我们也没有想到能做到这一点，更不用说10年前了。这些研究工作极为出色。”基因编辑公司Inscripta的基因组学家迪安娜·丘奇(Deanna Church)认为，这些此前未知的DNA区域让我们对基因组有了更多新的了解。
虽然，这些新的研究工作使基因组测序达到了一个新的里程碑，但人类基因组测序仪器并没有完全下班。由于使用的细胞系没有Y染色体，T2T联盟的科学家获取了哈佛大学系统生物学家列昂尼德·佩什金(Leonid Peshkin)的基因组，并对他的一条Y染色体进行了测序。此前，佩什金博士的基因组已经被研究得相对充分了，只是还没有得到完整的基因组序列。好消息是，昨日，T2T联盟在推特上宣布他们已经确定了Y染色体上缺失序列的正确排列形式。想必离解析出完整的Y染色序列也不远了。
除此之外，人类基因组计划联合负责人、贝勒医学院遗传学家理查德·吉布斯(Richard Gibbs)说：“还有一些工作要做。”包括他在内的许多研究人员都强调，现在需要从更多样化的人群中获取完整的基因组序列，来寻找染色体短臂中可能存在的变异，以及其他获取其他测序难度比较高的区域的变异，因为这些都有可能和疾病或别的性状有关。
此外，他们还有一个新目标——从不同种族或血统的人中提取350个基因组(目前已破译了70个基因组)。这些基因组是人类泛基因组参考联盟(Human Pangenome Reference Consortium)的一部分，它们的测序更有挑战性，因为每一对染色体都是两两不同的。最终，科学家希望给每一个基因组，都找出端粒到端粒的完整序列。
