文 | 火山
“病毒盒检测”是新冠疫情期间大家熟知的一个词，大致的方法为：
首先提取患者身上的病毒基因序列，然后将这个序列与标准的新冠病毒序列进行对比，如果两者长得一模一样，就确诊；如果有细微的差异，就再做一次检测或者增加辅助手段来确诊，比如病人的肺部影像CT；如果差异很大，就排除新冠病毒感染，检测样本标注为阴性。
从上面的过程可知，知道获取病毒的基因序列是关键，那么病毒基因序列是如何获取的呢？这里就会用到基因测序技术。
什么是基因？
基因是决定生命特征的神秘物质，一个小孩长得和父母很像，可以理解为这个小孩是以父母为模板制造出来的。而基因就是组成这个模板的基本物质，它隐藏在细胞的DNA中。后来科学家们发现DNA是由四种碱基（base）构成的，并给它们取名为A、T、C、G。而基因就是由这四种碱基按照不同的排列组合构成的。
原来生命就是由A、T、C、G四种砖块搭建而成的。这和计算程序由0，1组成非常类似。仅仅通过0和1这个两个数字，就创造出了我们天天使用的网络世界、游戏世界。
确定参考基因
知道基因是由4种字母组成后，下一步的工作就是破译组成基因的密码，找到它的排列组合方式。1900年到2003年，人类耗时13年，花费了38亿美金，绘制出了人类完整的基因密码。这个基因密码也被称为参考基因，类似于人类基因密码的标准答案。后面的基因变异查找工作，就要和这份标准答案进行对比，不一致的地方就可以称为发生了基因变异。
参与绘制这份参考答案的一位叫汪建中国科学家，回国创立了一家公司，叫“华大基因”，这就是题外话了。
基因测序及分析
有了参考答案，接下来要讲的就是今天的主题：基因测序及分析。
人类基因组有30亿个碱基对（注意“对”这个词，这是由DNA双螺旋结构决定的。一条链上的碱基在另一条链上有一个对应的碱基），也就是A、T、C、G这样的砖块共有60亿个。现在要做的是找出这些砖块的排列顺序。
下面以我们最熟悉的考试场景举例。
假设一份有100万题的考卷，命题者要求尽快把题做完，并进行阅卷和订正，指出考生的错误和对错误进行解释。具体可以分解以下步骤：
1.将试卷随机拆分为100万题，交给100万人做；
2.由100万人将答案随机输入到一个叫FASTQ的电子文档中。也就是说学生的答案没有题号，后面需要老师去找出学生回答的是哪一道题；
3.将FASTQ电子文档中的数据与标准的参考答案对照，标记每题在参考答案中的位置；
4.对学生答案进行排序，生成答题试卷的电子文件，这个文件叫BAM文件；
5.老师根据参考答案对答题试卷（BAM文件）进行阅卷，并将所有的错题都记录到错题本中，这个错题本叫VCF文件；
6.老师对错题本进行注释，指出学生的具体错误。这一步也称为变异注释；
以上6个步骤就是基因测序及分析的考卷版。其中步骤1-2由基因测序仪完成，步骤3-5有测序分析平台完成，步骤6由科学家完成。
写完以上部分，我自己还有一个疑问，就是这个人类的参考基因组到底是如何确定的？我们怎么知道这个参考基因组就是完全正确的呢？
网友评论