第五十一章 基因组测序重新规定研究单位
一 参考序列不是任意个体的天然全貌
前几编分别讨论遗传位置、编码关系与功能归属；基因组研究把这些问题带入可以反复更新的公共坐标系统。当生命材料被转换为可检索、比对和注释的序列，研究者得到的是一组有来源、有版本和有可靠范围的计算对象。样本提供的是特定来源的遗传材料，读段记录局部信息，组装提出这些信息如何连接的方案，参考序列再为其他材料提供比较坐标。这些层次相互依赖，却不能合并成“这个物种的基因组已经被完整读出”一句话。参考的首要作用是让不同研究能够指向相互可对应的位置，而非代表每个个体的全部状态。
这一差别涉及同一性的两种用法。说两项研究观察“同一个位置”，通常需要共同的坐标和版本；说两个个体具有“相同序列”，则需要比较它们实际携带的内容。前者是共享研究对象的条件，后者是关于样本的经验判断。共享一个参考并不使个体变得相同，也不保证参考之外的差异容易被看见。一个插入片段如果没有被参考表示，比较程序就必须以其他方式保留它，而不能让“无法对应”悄悄变成“不存在”。
参考也不等于正常标准。相对于参考的差异只说明两者不同，不自动意味着疾病、有害、罕见或后来出现。参考版本中采用的序列不是所有位置上最常见状态的保证，更不是关于价值的裁决。将坐标的便利性误写为生物学规范，会使计算语言越过它的证据权限。关于变异的频率、作用和历史，分别需要群体、功能与谱系材料。
二〇二三年公布的人类泛基因组初稿，以四十七个个体的分相二倍体组装构成比较资源，尝试让多种序列及其结构进入共同表示。[51-2] 这一历史节点显示了参考表示方式的改变。其认识意义在于比较对象不必始终是一条线性序列和附着于其上的例外；多个实际序列可以成为共享表示的组成部分。这样的扩大仍然依赖有限样本，不能宣称已经穷尽人群差异。
从本书的科学实践层面看，S是可重复查询和比较的基因组对象，D是材料记录、组装、校验与版本发布的差异序列，E则是读段的可区分性、序列连接关系和比较规则如何共同约束身份判断。S=F(D,E)要求说明为什么某个区域被认为可靠；D=G(S,E)使已发现的缺口引导下一轮比较；E=H(S,D)则在新增结构进入后，追问旧的坐标和对应规则是否需要改写。这里分析的是研究对象怎样形成，不是说自然界的DNA由数据库产生。
如果从E→S→D进入，应先核查共享表示容纳了哪些差异，再判断其能够支持什么对象，最后确定还需补什么材料。若从S→D→E进入，则从一个看似明确的变异记录回溯其生成，再检查参考和对应规则是否将某些可能性排除了。两种入口都把“读到什么”与“能把什么作为同一个对象比较”连接起来，同时保留二者的区别。
二 基因预测软件如何定义一个基因
一段DNA具有开放阅读框，意味着在某个读法下能够形成连续的编码候选，并不单独证明它在细胞中产生相应蛋白质，更不证明其生理作用。转录证据表明某段材料进入RNA，也不能自动确定全部边界、剪接形式和稳定功能。序列相似性能够支持与已知分子之间的关系，却不能在所有情况下直接转移功能名称。基因注释因此是一组分层判断：哪里可能构成一个单位，它产生什么分子，分子做什么，以及这些作用在什么条件下成立。
二〇〇一年人类基因组初步分析的原始论文，已经把转录材料、与已知序列的相似性和统计预测作为不同证据来源；作者也指出初步基因目录中存在不完整、断裂、错误融合及虚假预测。[51-1] 这不是完成测序后偶然出现的文书缺陷，而是从字母序列走向生物单位必须解决的问题。可以准确知道局部序列，却仍不知道哪些部分应该被连接成同一个转录本；也可以找到相似片段，却尚不能证明它承担相同功能。
预测软件据此不是凭空创造自然中的基因，而是将某些序列组合提升为有待使用和检验的候选对象。它所采用的训练材料、边界规则与证据权重会影响结果。若倾向保留所有弱候选，可能增加覆盖范围，也会增加错误；若要求强支持，可能减少误报，却漏掉低表达、条件受限或资料不足的单位。不存在一种不依赖任务的“更多就是更好”。目录大小的改变，必须与证据资格的改变一起解释。
转录本和基因的关系尤其容易使计数产生误导。同一基因区域可能对应多个转录形式，多个片段也可能原先被误写成分开的基因。当新材料把片段连接起来，目录中的基因数可能减少，而知识反而增加；发现更多剪接形式时，转录本数上升，也不意味着相同比例的新基因产生。若把不同版本的数字直接排列成发现越来越多的历史，就会把计数规则变化误当作自然对象数量变化。
同样，功能注释需要保存推断来源。一个名称可能来自直接功能研究，另一个来自与已研究分子的相似性，第三个只是预测类别。把这些条目放在同一表格中，不会消除它们的证据差别。后续研究若将预测条目当作已验证事实，再用它训练另一个系统，原先的推断可能在循环传播中获得虚假的独立支持。版本化证据记录能够让研究者区分新的观察与旧判断的复制。
设想一种注释证据冲突。某序列的统计特征支持两个相邻候选基因，转录材料却支持跨越两者的连续单位；另一批材料只覆盖其中一部分。研究者需要比较错误拼接、不同转录形式与样本差异，而不能用软件多数票直接决定自然边界。合理的输出可以保留一个主模型和若干未定形式，并注明哪类证据会改变判断。能够表示未知，比迫使所有位置进入单一确定目录更准确。
当新的注释改变了研究对象的边界，SDE所谓对象构成改变才获得较强根据：旧的两个单位可能成为一个单位，旧的一个单位也可能拆为不同对象，且后续比较随之调整。如果只是把同一边界的置信度提高，则主要是证据加强。区分这两种变化，可以避免把每一次软件更新都包装成生命观革命。真正值得追踪的是哪些新材料迫使同一性规则改变，以及这种改变如何传到后来的研究。
三 重复序列和结构变异
序列并非处处提供同等清楚的定位信息。假如一段短序列在多个位置出现，它本身就不足以说明来自哪一个位置；假如多个拷贝十分相似，组装还需要判断哪些差异属于不同位置，哪些属于同一位置的不同版本。重复不是资料中的无意义噪声，而可能是基因组真实结构的一部分。困难在于研究者必须同时解释材料为何相似以及相似材料怎样连接。
拼接首先面对的是可辨认性问题。一些片段具有足够独特的上下文，能够限制连接位置；另一些则与多个候选位置相容。增加相同局部信息的数量，可能提高字母识别的信心，却不一定解决位置歧义。只有能够提供新的连接约束的材料，才可能改变结构判断。因此，局部准确率高与整体结构正确不是同一个指标，连续性看似良好的结果也需要独立检验。
结构变异使参考比较面临更深的问题。一个区域的差异可能不是几个字母替换，而是片段的存在与缺失、方向、顺序或拷贝数不同。这时，“同一个位置”的对应本身就需要论证。若比较程序预先要求所有材料沿同一线性顺序排列，就可能把难以对应的真实结构写成低质量结果；反过来，错误连接也可能制造看似新颖的结构差异。真实变化和技术误差都能产生异常表示，必须使用额外信息加以区分。
二〇二三年的泛基因组研究在注释中明确保留了组装可靠性检查，也指出某些多拷贝区域虽然获得片段，却尚不能由片段直接恢复完整组织关系。[51-2] 这一限定比笼统宣布资源“更完整”更有意义。它说明某个层级的发现不必自动升级为另一层级的完成：发现额外拷贝、确定拷贝序列和确定全部拷贝如何排列，是不同成果。研究单位的边界在此由材料与验证方式共同约束。
对于跨物种比较，同样要避免将“没有找到对应”直接译成“该物种失去了基因”。未找到可能来自真正缺失，也可能来自组装空白、序列差异较大、位置对应困难或注释规则不适用。判断损失事件，需要能够区分这些解释的材料。同理，两个物种各有一个相似条目，也不能仅凭数量相等就断定它们具有完全对应的历史；复制与丢失可能造成更复杂的关系。
这些问题使E具有可操作的分析内容。读段相似性影响位置可辨认性，位置判断影响拷贝数，拷贝数又改变哪些序列差异可以被解释为个体内部变异或不同区域的差别。三者相互牵动，拆开后某些判断便不能成立。它们不是研究完成后附加的一张关系图，而是在研究对象形成时就参与决定“这是什么”的约束。专业组装与错误模型负责计算这种约束，本书只审查它如何影响对象身份和证据转移。
若采用D→E→S路径，应从具体比较结果如何产生开始，辨认在重复区域中哪些约束不足，再决定结论能达到片段、拷贝还是完整结构层级。若采用E→D→S路径，则可先从已知的可辨认性困难出发，安排能够补足连接证据的研究，再检查是否获得预期对象。真正的进步不是让所有区域都显示一个确定答案，而是扩大可靠回答的范围，并清楚标出剩余问题。
因此，同一平台、同一程序处理得到的结果，也不能被认为处处具有同等可靠性。不同区域的重复程度、结构复杂性和可比较背景会改变证据强度。统一流程有助于减少某些人为差异，却不能消除对象自身的可辨认性差异。以全局平均指标代替局部审查，可能让最重要的复杂区域恰好被平均数掩盖。
四 组学回写
基因组数据库的更新会改变后续研究的起点。一个变异过去被标注在基因之外，新的转录本模型可能使它进入某个被注释的区域；一个过去被认为唯一的基因，可能在改进的结构表示中出现多个相关拷贝。这些变化首先改变研究者可以提出的假说与解释顺序，并不单凭注释更新就证明某个变异具有生物作用。研究对象变得更明确，与功能因果已经建立，必须分开记账。
回写也可能发生在演化研究中。旧版注释遗漏某些区域，会影响基因家族数量与物种间的存在缺失比较；更新后，原来需要解释的“特有基因”可能只是旧目录差异。若不保留版本，后来的读者可能误以为两个研究对同一对象作出了相反判断，实际上它们使用的对象集合并不相同。可重复性因此不仅要求公开结果，还要求说明结果指向哪个版本的序列、注释与样本范围。
在科学实践层面，D=G(S,E)表现为新识别的结构与注释缺口改变取证优先级，E=H(S,D)则表现为比较标准、证据等级和单位边界的重新组织。若这些改变确实影响后续研究，就构成可追踪的回写；若只是论文结尾提出未来可能应用，则仍是计划。判定历史作用需要比较更新前后的研究记录，而不是从资源规模推断其必然改变所有领域。
版本之间的对应也不总能用简单坐标平移解决。旧区域可能被拆开、合并、重排或获得新的替代表示；一个旧编号在新版中仍然存在，也不保证其边界和解释完全相同。可靠的研究需要保留这种映射中的一对多、多对一和无法确定关系。否则，数据库表面上的连续性会掩盖对象含义已经变化，造成看似一致而实质不同的比较。
本章对基因组学的评价因而具有明确限度。测序错误模型、组装算法、图表示与注释方法已经处理了许多具体问题，SDE并不替它们提供更精确的计算。可争取的增量在于说明：一种资源更新究竟只是增加信息，还是改变了可被稳定识别和比较的单位；这种改变又是否能够在后续研究中找到实际后果。若没有额外证据，就应把贡献限定为测量改进或注释修订，而不宣布新的生命世界已经完成。
从参考序列到多样性表示，基因组研究扩大了可计算对象的范围，也使“同一基因”“同一位置”和“同一种差异”成为需要持续维护的判断。数据库并没有取消生物学的实验与历史问题，而是为它们提供更大规模的候选对象，并同时带来新的证据转移风险。下一章讨论合成基因组时，尤其需要保留这个界限：能够表示、书写和重组序列，并不意味着序列之外的生命维持条件已经被包含在文件之中。