人类基因组概况--整理

⼈类基因组概况：　　　　　　　　

　　　　⼈类基因组由ATCG四种碱基组成，但是CG的含量低于50%，所以CG含量低于AT含量。　　　　　　　　⼀个基因组的dna⼤约3ug。

　　snp：

　　　　平均每100到1000个碱基会出现1个SNPs，不过密度并不均匀。

　　　　如果按照每1000个碱基存在1个SNP来计算，⼈类30亿个碱基中，⼤约有300万个SNPs。

　　　　⼈类基因组的突变频率10的-6次⽅。即：每10的6次⽅个碱基，就会发⽣⼀个突变。

　　基因组长度：

　　　　⼈类基因组有30亿个碱基（3*10的10次⽅）。⼈类基因组的exon的长度⼤约1*10的7次⽅，占基因组的2%~3%。

　　　　假如平均⼀个protein的长度为500个amino acid（氨基酸），那么编码⼀个protein需要的碱基数为500*3=1500bp=1.5kb。那么，1个protein占exon的碱基数：1500/（1*10的7次⽅）≈10的4次⽅，即1个protein占exon碱基数的万分之⼀。

　　基因类型：

　　　　Ensemble数据库中有5万多个基因。其中，2万多个蛋⽩编码基因，还有假基因、microRNA、LincRNA等。GeneCode的gtf⽂件中，有⼀列是genetype，它分的类型是：protein coding、LincRNA、假基因。

　　　　即：基因可分为两⼤类编码蛋⽩的基因（包括：protein coding gene、pseudogene、LincRNA）、不编码蛋⽩的基因。

　　基因区域：

　　　　UTR：不翻译成蛋⽩。　3`UTR：转录起始->翻译起始（ATG）之间的区域。5`UTR：翻译终⽌->转录终⽌之间的区域。

　　　　阅读框：开放阅读框(Open Reading Frame, ORF)从DNA序列中，从起始密码⼦开始，到终⽌密码⼦结束的⼀段具有编码蛋⽩质功能的碱基序列。

　　　　intergenic：DNA不转录成RNA的区域。落⼊该区域的突变，不知道功能、不关注、不找hotspot。⼈类基因组98%是intergenetic区域。

　　　　introgenic：DNA转录成RNA的区域，包括：upstream，intron，exon，downstream，non-coding RNA，lincRNA。只关注落⼊introgenic区域的突变。即：只关注能转录成RNA的区域内的突变。 　　

　　基因突变：

　　　　1. 突变类型：

　　　　non-sense（⽆义突变）：某个碱基突变后，导致原本编码氨基酸的密码⼦变成了终⽌密码⼦，使肽链合成提前终⽌。　　　　FrameShiftIndel：在阅读框内发⽣的indel。突变发⽣的位置不是3的倍数，导致碱基序列在翻译成氨基酸的过程中乱套了。　　　　missense：错义突变。导致编码的氨基酸发⽣变化。　　　　VTR_INTRON_ncRNA：exon之外的区域发⽣突变。

　　　　synonymous：碱基发⽣改变。但编码的氨基酸不变，不会对形成的蛋⽩有影响。⽐如：CTA与CTG 均编码亮氨酸，若A突变为G则该变异为同义突变。

　　　　silent：碱基发⽣改变，⽽编码的氨基酸也发⽣改变，但不影响蛋⽩质的编码。

　　　　2. 突变频率（variant allele frequency，VAF）：

　　　　　　假如某个snv点的VAF为0.125=12.5%，这表⽰：在覆盖这个点的read数中，有12.5%的read来⾃B allele（即突变的那条allele），由此可以得出：25%的肿瘤细胞携带B allele。参照下图。

　　　　　　等位基因频率（也称为：B allele frequency）：10万⼈，9万⼈携带的的是geneA，1万⼈携带的是geneB。则，等位基因频率为：1/10=10%。

　　　　3. 突变注释的⼯具：

　　　　　　snpEff。注释snv的⼯具。 　　　　4. 突变原因：

　　　　　　G->T：氧化损伤导致　　G->A（C->T）：脱氨基导致　　　　5. ⾮编码蛋⽩突变的解释：

　　　　　　同义突变，虽然对这个基因编码的蛋⽩没有影响。但是，会影响其他基因的表达。⽐如，APC有4个同义突变，这些突变会影响REEP5（它是⼀个tumor suppressor gene）的RNA表达值。　　　　6.基因的拷贝数变异：　　　　　

　　　　　　通常call CNV的⼯具会考虑的因素：normalization、纯度、污染度、倍系。

　　疑问1：肿瘤病⼈的正常组织（如：OEC），或者正常⼈⾎液中的⽩细胞，对这些样本进⾏靶向测序时，为什么有⼤量snp的突变频率会在10%~30%之间呢？正常snp的突变频率应该是50%或100%。

　　　　推测原因：（1）PCR扩增的偏好，也可称为抽样误差。⽐如：该snp（A-》G，A突变为G）的突变频率应该是50%，但是，由于扩增的偏好性，导致A allele被⼤量扩增，G allele扩增的少。

　　　　　　　　　　　那么，假设携带正常A的allele被测了8，携带突变G的　　allele被测了2次，则计算得到的G的allele frequency为2/10=20%。

　　　　　　　　　（2）因为是靶向测序，所以有可能是此位点被不同的amplicon覆盖。⽽amplicon在PCR扩增过程中会引起错误。　　　　　　　　　（3）基因组在此snp位置处存在拷贝数异常的现象。

　　　　　　　　　（4）基因存在多拷贝的情况。⽐如，gene A在基因组中存在多个。 　　　　　　　　 （5）纯度所致。

　　　　　　　　　（6）这些snp是否有组织特异性呢？在不同的组织中，存在这种状况的snp有差异吗？⽐如，某个snp在OEC中突变频率是20%，⽽在WBC中是50%。存在这样的情况吗？　　　　　　　　　　　　　　没有验证这种想法。

　　疑问2：肺癌病⼈的OEC与⽩细胞的靶向测序结果中，存在⼤量不⼀致的snp。因为所有细胞的DNA序列都是⼀致的，为什么会出现这样的情况呢？

　　　　后来，我在查阅脑细胞somatic mutation时，看到⼀篇⽂献说：其实各个组织中的基因组是不⼀致的。

　　疑问3：WGS的测序数据中，也存在很多这样的突变频率在10~30%之间的snv or snp。增加测序深度后，这样的snv占的⽐例反⽽更⾼呢？这是为何呢？

　　　　　　这说明，这样的snv是真实存在的，测序深度越⾼，越能检测到更多这样的snv。

　　　　　　因为是在肿瘤样本，所以，这样的突变可以⽤肿瘤组织的clone原理来解释。即：肿瘤细胞可以被分为不同的群体，有⼀些群体携带这样的snv，⽽其他的群体不存在这样的snv。这⼜是为何呢？因为携带这些snv的细胞群体是在肿瘤形成过程的后期出现的。 　　但是，这个问题在测序深度很深时，应该会避免。因为⼤数据量时，会避免抽样误差。结果呢？进⾏上万层的测序时，仍然存在这个问题。

　　重复序列：

　　LINE：重复序列。⼤脑发育过程中LINE很活跃。LINE通过反转录的⽅式，插到其它序列中。

　　　　6.7kb。转录成长的RNA，编码反转录酶，将⾃⼰或其它序列插⼊到DNA中。　　tanderm repeat：

　　　　repeatMaster⼯具，可发现基因组上的重复序列。

　　熟悉的基因：

　　　　abparts（BCR，B cell receptor）：B cell抗原受体。作⽤是识别抗原。编码B cell抗体的基因。B cell在⾻髓中淋巴细胞中重排。　　　　　　⼀个B cell携带⼀个抗体。

　　　　　　⼀般的染⾊体重排只发⽣在⼀条染⾊体上，但是，chrom14的abparts，在两条染⾊体上都发⽣了重排。

　　TCR（Tcell receptor ）：T cell抗原受体。作⽤是识别抗原。编码T cell抗体的基因。分两种TCR1和TCR2，外周⾎中主要是TCR2。

　　RB1：与细胞周期有关的⼀个基因。抑制磷酸化，抑制细胞增殖。　　RCBTB2：在胞质中存在。与染⾊质浓缩有关。