整合体内预测与临床证据以描绘HiFi长读长序列在同源基因中的能力

为何解开“相似基因”至关重要

我们体内的DNA包含许多成对或成簇的“相似”基因，它们在序列上几乎一模一样。这些被复制粘贴的序列对健康与疾病具有重要影响，但用标准的基因组检测常常难以正确区分。本研究提出一个面向医学的实际问题：当今的长读长测序在分离这些混淆的基因拷贝方面到底能走多远？它会在哪些情况下失效？智能的软件能否弥合剩余的空白？

当基因拷贝迷惑标准DNA检测时

现代遗传检测常依赖只有数百个碱基的短片段DNA读段。当这些短读段来自基因拷贝高度相似的区域时，计算机难以确定它们属于哪一拷贝。这会模糊或掩盖与疾病相关的重要变异。为以不依赖单一受试者或设备的方式量化这个问题，作者采用了“可映射性”概念：针对选定的读长，统计该确切序列在参考基因组中出现的次数。如果一个读段可在多个位置匹配，则该区域被标记为用短读难以或不可能解析。

长读段能解决的问题——以及不能解决的

研究团队首先绘制出广泛使用的短读测序会遇到麻烦的基因组区域，发现645个医学重要基因落入这一危险地带。随后他们对更长的读段（最长达14,000个碱基，类似最先进的长读测序产出）重复了计算。使用这些长读段，先前难以解析的基因中约有三分之二被预测为可清晰读取，但仍有大约三分之一顽固地无法解析。当研究者将这些预测与来自66名个体的实际临床长读数据比对时，被预测为“可修复”的基因确实比那些预测为持续困难的基因更频繁地显示出高置信度的映射，证实了模拟结果反映了现实行为。

检验真实世界的准确性，而非仅停留于理论

研究者不仅查看了映射评分，还直接评估了在这些棘手区域内检测基因变异的能力。使用一套经过良好研究的参考基因组，他们展示了长读测序在单碱基和小的插入/缺失变异上的检出率，优于短读方法，尤其是在已知难以映射的区域。短读在这些区域遗漏了许多真实变异，而长读几乎检出所有这些变异，尽管在这些困难区域的变异调用仍比易解析区域略显不确定。通过对随着读长增加未解决基因数如何下降建模，他们发现一条曲线在约7–8千碱基处迅速下降然后趋于平缓，这表明仅仅延长读长并不能消除所有盲点。

用智能软件分离纠缠的基因拷贝

为了解决即便在长读下仍然混淆的基因，作者采用了一种名为Paraphase的专用分相工具。该软件并非孤立地查看每个读段，而是通过将读段重新比对到共同模式并追踪序列变化如何共同出现，将读段分组为不同的“单倍型”——每个基因拷贝的连贯版本。应用到79组被预测或观测为困难的高度相似基因中，Paraphase能够为超过四分之三的基因组重建出近乎完整、清晰的单倍型。在具体示例中，例如一对与听力相关的基因，之前在拷贝间混杂的读段现在可以整齐地分配到不同轨道，说明算法洞察力可以克服原始读长的限制。

这对未来遗传诊断意味着什么

对非专业读者来说，主要结论是：更长的DNA读段已经在具有相似“孪生”基因的区域带来了明显改进，并且在许多医学重要区域明显优于传统的短读检测。然而，即使是目前最好的长读技术也无法完全解决所有纠缠的基因家族，因为某些基因组区段本质上过于重复。本研究表明，结合三要素——对可能出现问题区域的谨慎计算预测、真实世界的临床长读数据以及专门的分相软件——可为哪些基因可被信赖、哪些需要额外谨慎以及哪些地方最急需新方法提供一条务实的路线图。在临床基因组学中，这种明确的界定对于将不断改进的测序技术转化为真正可靠的诊断至关重要。

引用: Kim, S.K., Jang, J., Kim, Y. et al. Integrative analysis of in silico predictions and clinical evidence to delineate the capability of HiFi long-read sequencing in paralogous genes. npj Genom. Med. 11, 21 (2026). https://doi.org/10.1038/s41525-026-00555-2

关键词: 长读长测序, 同源基因, 临床基因组学, 基因组可映射性, 单倍型分相