基因检测论文借鉴

导言：2013年5月，好莱坞巨星安吉丽娜·朱莉突然宣布，因为基因检测结果显示，她有极大风险患上乳腺癌，于是做出提前切除双侧乳腺的决定，一时之间基因检测成为大众和媒体所追逐的流行词汇，同时相关商家和医院借此东风开始大力推广和宣传。而2014年2月，食药监总局和国家卫生计生委联合发出通知，要求停止国内所有已经开展的基因检测，让舆论一片哗然。但这只不过意味着，为长远发展计，该行业亟需制定相关的规范，同时，大众在决定进行基因检测之前，需要接触更多信息。 要想看懂一本小说，你不仅需要认识每一个字，更重要的是看明白字的顺序。而某些时候，某些政府会禁止一些书出版，那并非是因为该书用了非法的字，仅仅是因为，作者把一些字按某种特殊的顺序排在一起，因此犯了忌讳或者违反了某些管制条例。作者通过字序传递信息，而生命也同样如此，只不过它仅仅通过TACG这四个字，就能世代传递如何构造新生代身体的信息，这些信息在细胞中通过奇妙的工具解读，以构建生命的躯体，并控制着它的运转。如果初始的信息因为种种原因发生了改变，在某些时候，就会发生一些相当糟糕的事情，比如可以世代相传的血友病，又或者各种癌症。 对生命的理解越多，科学界就越发的认识到，如果想读懂人类身体运作的奥秘，首先需要读出生命的字序，并且破解它的含义。幸运的是，随着自动化测序仪和计算机性能的飞速提高，在2000年到来之时，人类基本读出了自身基因组那长达30亿的字序。并由此吸引了众多生物高科技公司和大学研究机构投入到寻找有价值的字序以及破译这些字序对人体的影响之中，至今已取得丰盛的成果。这从媒体上时不时就冒出的一些大黑标题就能知之一二，比如，最近突然火爆起来的“单身基因”，即为众多研究成果中的一例。但如果仅仅有这些研究成果，基因检测的普及化，仍不可能成为现实。 今天，基因检测之所以成为热门话题，关键在于新一代测序仪，测序成本的剧烈下降以及测序速度的极大提升。人类的第一个基因组测序，大概花费了30亿美元，用了十年时间才完成草图。而在可预期的未来，测序费用会很快下降到1000美元，时间则缩短到24小时。这是推动基因检测进入寻常百姓家的基础，对每一个人都进行基因组测序，在技术和成本上都已经成为可能。 毫无疑问，基因和疾病的关系密切，也因此人类拥有众多千奇百怪的遗传性疾病。从东非高频率发生的镰型红细胞性贫血，在那里大约每四个人中，就有一个拥有一个“糟糕”的基因，其提供的信息发生了一点小小的改变，因此产生的蛋白质也随之发生了一点改变，结果就是红细胞中运输氧气的血红蛋白因此有较高概率，在放下氧气的时候沉淀下来，把红细胞变得像一把镰刀，堵塞毛细血管，导致各种毛病，与此同时，骨髓来不及制造出更多的红细胞，血液的运氧能力也因此受损，这些遗传病患者大多在四十岁左右就会丧命。与此同时，也有一些极其罕见的遗传性疾病，比如异常严重的肥胖。1994年，瘦素基因被发现，Amgen公司迅即以两千万美金的代价，获得该基因的专利。然而，让公司沮丧的是，虽然世界上肥胖症患者如此之多，但公司只发现了十余个患者，是因为该基因的遗传性缺陷所导致的。 我国比较常见单基因遗传性疾病有：蚕豆病、地中海贫血、血友病、苯酮酸尿症（严重影响中枢神经系统发育）以及色盲等。相关专家初步统计后，认为我国常见的出生缺陷和遗传病，有79种。在基因检测技术已经成熟的现在，很有必要利用它，搜集并调查这些疾病在全国的分布情况。因此，今年八月有关部门启动了重大出生缺陷和遗传病调查与生物资源收集工作。这也许意味着某一天，国家甚至可能会像提供免费疫苗一样，免费提供某些种类的基因检测服务。至于这么做是好是坏，到时自然会有一番唇枪舌剑。 除单基因遗传性疾病之外，还有众多大家更熟悉的疾病也存在明显的遗传倾向，如高血压、二型糖尿病等。但由于高血压和二型糖尿病都和多种基因相关，因此对检测结果的认知和分析，就存在多种解读的可能性。这类众多基因都来插一脚的遗传相关性疾病，拥有这些“缺陷”基因的人是否发病，以及什么时候发病，往往和环境以及个人生活习惯密切相关。事实上，许多人根本没有进行检测，只因自己家族的长辈中存在这些患者，就开始有意识的改变自己的生活习惯，比如转向低糖低盐低脂的膳食习惯并且加强运动。这提醒我们，无论有没有那张检测单，追求健康生活本身，并不会因此发生改变。难道，如果因为各种幸运的因素，所有可疑的不良基因都不存在，难道就可以放纵自己了吗？ 在这个领域，学界争论十分激烈，甚至充满了火药味道，一边是研究基因功能的专家另一边则主要来自其他专业领域，尤其是教育界。毋庸置疑，一些科学家为了发表论文和申请经费，会有意无意的夸大自己发现的重要性，但更多的误解，则主要来自媒体为了吸引读者，会脱离语境对新研究成果进行不恰当的夸张宣传，以达到吸引眼球的目的。 以最近媒体集中宣传的“单身”基因为例，北大的科学家，在利用头发分析了579名大学生的DNA后，发现5-HTA1的基因存在两种稍微不同的字序，他们将之命名为：G型和C型。而统计数据显示，拥有G型基因的人有六成是单身状态，拥有C型基因的则只有一半是单身者。这一差异无法用相貌或者金钱的差异进行解释。所以，由于这一基因和是否单身存在统计学上的相关性。 对于这种宣传，反对者认为这是典型的基因决定论，加以驳斥，而支持者则认为，知道自己是哪种基因型，或许有助于刻意改善自己的行为。多数情况下，这样的争执，都是鸡同鸭讲。毕竟，几乎没有分子物学家真的相信基因决定一切。人类行为事实上异常复杂，大脑的构造也不仅仅和基因的字序有关，还和胚胎发育时期的子宫环境密切相关，最后与出生后的成长环境也同样密切相关。但是，科学家无法控制这些复杂因素，他们只能尝试用基因来对复杂的人性进行初步解释。事实上，对于多基因与环境共同协作的复杂行为，单个基因的解释能力都是很小的，除非出现了真正重大的异常，比如某些严重的精神性疾病，重度抑郁症等等。大多数人的实际表现，都可以用经典的正态分布曲线进行描述，即多数人的状态都差别不大，只有分布在两端的人，才需要基因方面的特别理由进行解释。 如果信息不能被正确解读，也许还是不知道更好？关于基因检测的是是非非，不是一篇小短文能够尽述，与此同时新的发现，每天都在涌现。笔者的建议是，当前基因检测技术对明确的单基因相关的疾病，其结果高度可信，对多基因相关的部分，则只具有概率上的一定价值，但对任何非疾病类的人类行为，其结果更多的还需要从乐观的态度进行看待，记住大脑具有非凡的可塑性，王侯将相宁有种乎的古话，还是需要牢记在心中，古往今来的历史，早已将血统论否定，无论我们对基因认识到什么程度，这一早已被验证的事实，只会得到最终的确认，而不是反之。

有些时候我们需要知道转录本长度，比如在使用RNA-seq计算FPKM的时候，为了准确地评估不同基因的表达量，一般是用覆盖该基因/转录本的总reads数除以基因/转录本的长度，有些时候我们需要知道基因编码区的长度，比如在使用VAAST评估致病候选基因的时候，有些基因因为编码区特别长（如TTN）总是排名靠前，如果考虑到它的编码区长度后，排序将会更加科学。       那么怎样获得基因编码区长度呢？这个问题看起来比较简单，只要将每个外显子的长度加起来就可以了，对于单个转录本可以通过NCBI的CCDS数据库查询，但是基因有多个转录本，每个转录本的编码区有重合，所以基因编码区不是每个转录本编码区的简单相加，所以要想准确地获得每个基因的编码区长度并不容易，而且目前并没有现成的数据库，经过游侠在网上摸索后将相关方法整理如下，供大家参考。首先从sanger网站下载基因注释文件GTF，。然后在R中使用GenomicFeatures工具包。library(GenomicFeatures)txdb <- makeTranscriptDbFromGFF("",format="gtf")收集每个基因的编码区编号 <-cdsBy(txdb,by="gene")通过reduce函数避免重复计算重叠区 <- lapply((x){sum(width(reduce(x)))})生成的gene ID为ensemble编号，可以通过，转换为gene symbol。

有些时候我们需要知道转录本长度，比如在使用RNA-seq计算FPKM的时候，为了准确地评估不同基因的表达量，一般是用覆盖该基因/转录本的总reads数除以基因/转录本的长度，有些时候我们需要知道基因编码区的长度，比如在使用VAAST评估致病候选基因的时候，有些基因因为编码区特别长（如TTN）总是排名靠前，如果考虑到它的编码区长度后，排序将会更加科学。 那么怎样获得基因编码区长度呢？这个问题看起来比较简单，只要将每个外显子的长度加起来就可以了，对于单个转录本可以通过NCBI的CCDS数据库查询，但是基因有多个转录本，每个转录本的编码区有重合，所以基因编码区不是每个转录本编码区的简单相加，所以要想准确地获得每个基因的编码区长度并不容易首先从sanger网站下载基因注释文件GTF，。然后在R中使用GenomicFeatures工具包。library(GenomicFeatures)txdb <- makeTranscriptDbFromGFF("",format="gtf")收集每个基因的编码区编号 <-cdsBy(txdb,by="gene")通过reduce函数避免重复计算重叠区 <- lapply((x){sum(width(reduce(x)))})生成的gene ID为ensemble编号，可以通过，转换为gene symbol。

有些时候我们需要知道转录本长度，比如在使用RNA-seq计算FPKM的时候，为了准确地评估不同基因的表达量，一般是用覆盖该基因/转录本的总reads数除以基因/转录本的长度，有些时候我们需要知道基因编码区的长度，比如在使用VAAST评估致病候选基因的时候，有些基因因为编码区特别长（如TTN）总是排名靠前，如果考虑到它的编码区长度后，排序将会更加科学。 那么怎样获得基因编码区长度呢？这个问题看起来比较简单，只要将每个外显子的长度加起来就可以了，对于单个转录本可以通过NCBI的CCDS数据库查询，但是基因有多个转录本，每个转录本的编码区有重合，所以基因编码区不是每个转录本编码区的简单相加，所以要想准确地获得每个基因的编码区长度并不容易，而且目前并没有现成的数据库，经过游侠在网上摸索后将相关方法整理如下，供大家参考。首先从sanger网站下载基因注释文件GTF，。然后在R中使用GenomicFeatures工具包。library(GenomicFeatures)txdb <- makeTranscriptDbFromGFF("",format="gtf")收集每个基因的编码区编号 <-cdsBy(txdb,by="gene")通过reduce函数避免重复计算重叠区 <- lapply((x){sum(width(reduce(x)))})生成的gene ID为ensemble编号，可以通过，转换为gene symbol。