Pangenome discovery and characterization of human protein-coding duplicated genes

想象一下，你的身体是一座宏大而繁忙的图书馆，里面存放着建造和运行一个人类的说明书。几十年来，科学家们一直认为他们已经编目了这座图书馆中的每一本书，但有一个棘手的区域：“复制-粘贴区”。在这个部分的图书馆里，整章的指令被一遍又一遍地重复，创造出一叠叠几乎完全相同的页面。因为这些页面看起来如此相似，图书管理员（科学家）无法分辨哪份是哪份副本，所以他们经常直接忽略这些重复项，或者认为它们是损坏的、无用的草稿。这之所以重要，是因为那些混乱的、重复的部分实际上正是最令人兴奋的新故事正在被书写的地方——在这些地方，我们的身体可能正在发明全新的工具，来帮助我们思考、成长或适应。为了解决这个谜题，科学家需要一种更好的阅读图书馆的方法，从模糊的复印件转向书籍的高清 3D 扫描，以便看清这些副本究竟有何不同。

这篇论文就像是一群超级侦探，终于破解了人类 DNA 中那个混乱的“复制-粘贴区”的代码。研究人员使用了一套强大的新工具包：298 个长读长组装的人类基因组（它们充当了我们遗传图书馆的高分辨率地图）以及来自 83 种不同组织的 56 亿个全长 cDNA 转录本的大规模集合（它们就像是图书馆书籍被实际朗读出来的录音）。通过结合这些数据，他们得以梳理出 493 个基因重复家族，并发现了一个令人惊讶的事实：有 2,713 个潜在基因完全缺失于我们的标准参考图谱中。这些不仅仅是随机的故障；它们很可能是拷贝数多态性的，这意味着不同的人拥有不同数量的这些副本，就像有些家庭可能拥有更多份喜爱的食谱，而另一些人则没有一样。

当团队仔细观察那些他们能够分辨出副本差异的基因家族时，他们发现其中 60.0% 实际上是活跃且正在工作的，保持着它们的“开放阅读框”（即制造功能性蛋白质的代码部分）完整。更令人感兴趣的是，45.7% 的这些工作中的基因在脑部、胚胎或睾丸中最为活跃，这表明它们在我们的发育和复杂功能中发挥着至关重要的作用。该团队还修复了 386 个现有的基因模型，其中包括 150 个与当前“金标准”T2T-CHM13 注释完全不同或完全缺失的基因。他们还重新分类了 236 个此前被认为是损坏的“假基因”的基因，将其认定为真正的蛋白质编码基因，因为他们发现了证据表明这些基因正在被转录，拥有工作的代码，并且在染色质中具有可及的启动子（即“开启”开关）。

研究还测量了这些基因受到多少“约束”，或者说自然界在多大程度上严格保护它们免受改变。他们发现，24.2% 的这些片段重复（SD）基因显示出受到保护、免受拷贝数变化和氨基酸突变影响的迹象，这意味着它们很可能对生存至关重要。然而，故事中有一个转折：大多数这些重要的、受保护的基因都是古老的，从我们遥远的祖先那里继承而来的。相比之下，在人类谱系中近期出现的较新的、衍生出的重复基因中，只有 16.2% 显示出这种相同的约束证据。这表明，虽然我们的遗传图书馆在不断添加新的、重复的章节，但大多数这些新鲜加入的内容仍在接受进化的测试，只有极小的一部分已被证明足够重要，以至于被严格守护。最终，这种泛基因组方法为科学家提供了所需的精准度，使他们能够区分功能性基因与损坏的假基因，并凸显出在人类进化过程中最近产生的特定基因创新。