contig

学习必备欢迎下载

什么是高通量测序？

高通量测序技术（

High-throughputquencing

，

HTS

）是对传统

Sanger

测序（称为一代测

序技术）革命性的改变

,

一次对几十万到几百万条核酸分子进行序列测定

,

因此在有些文献

中称其为下一代测序技术

(nextgenerationquencing

，

NGS)

足见其划时代的改变

,

同时高

通量测序使得对一个物种的转录组和基因组进行细致全貌的分析成为可能

,

所以又被称为

深度测序

(Deepquencing)

。

什么是

Sanger

法测序（一代测序）

Sanger

法测序利用一种

DNA

聚合酶来延伸结合在待定序列模板上的引物。直到掺入一种链

终止核苷酸为止。每一次序列测定由一套四个单独的反应构成，每个反应含有所有四种脱氧

核苷酸三磷酸

(dNTP)

，并混入限量的一种不同的双脱氧核苷三磷酸

(ddNTP)

。由于

ddNTP

缺乏延伸所需要的

3-OH

基团，使延长的寡聚核苷酸选择性地在

G

、

A

、

T

或

C

处终止。终

止点由反应中相应的双脱氧而定。每一种

dNTPs

和

ddNTPs

的相对浓度可以调整，使反应

得到一组长几百至几千碱基的链终止产物。它们具有共同的起始点，但终止在不同的的核苷

酸上，可通过高分辨率变性凝胶电泳分离大小不同的片段，凝胶处理后可用

X-

光胶片放射

自显影或非同位素标记进行检测。

什么是基因组重测序（

GenomeRe-quencing

）

全基因组重测序是对基因组序列已知的个体进行基因组测序，并在个体或群体水平上进行差

异性分析的方法。随着基因组测序成本的不断降低，人类疾病的致病突变研究由外显子区域

扩大到全基因组范围。通过构建不同长度的插入片段文库和短序列、双末端测序相结合的策

略进行高通量测序，实现在全基因组水平上检测疾病关联的常见、低频、甚至是罕见的突变

位点，以及结构变异等，具有重大的科研和产业价值。

什么是

denovo

测序

denovo

测序也称为从头测序：其不需要任何现有的序列资料就可以对某个物种进行测序，

利用生物信息学分析手段对序列进行拼接，组装，从而获得该物种的基因组图谱。获得一个

物种的全基因组序列是加快对此物种了解的重要捷径。随着新一代测序技术的飞速发展，基

因组测序所需的成本和时间较传统技术都大大降低，大规模基因组测序渐入佳境，基因组学

研究也迎来新的发展契机和革命性突破。利用新一代高通量、高效率测序技术以及强大的生

物信息分析能力，可以高效、低成本地测定并分析所有生物的基因组序列。

什么是外显子测序（

wholeexonquencing

）

外显子组测序是指利用序列捕获技术将全基因组外显子区域

DNA

捕捉并富集后进行高通量

测序的基因组分析方法。外显子测序相对于基因组重测序成本较低，对研究已知基因的

SNP

、

Indel

等具有较大的优势，但无法研究基因组结构变异如染色体断裂重组等。

什么是

mRNA

测序（

RNA-q

）

转录组学（

transcriptomics

）是在基因组学后新兴的一门学科，即研究特定细胞在某一功能

状态下所能转录出来的所有

RNA

（包括

mRNA

和非编码

RNA

）的类型与拷贝数。

Illumina

提供的

mRNA

测序技术可在整个

mRNA

领域进行各种相关研究和新的发现。

mRNA

测序不

对引物或探针进行设计，可自由提供关于转录的客观和权威信息。研究人员仅需要一次试验

即可快速生成完整的

poly-A

尾的

RNA

完整序列信息，并分析基因表达、

cSNP

、全新的转录、

全新异构体、剪接位点、等位基因特异性表达和罕见转录等最全面的转录组信息。简单的样

学习必备欢迎下载

品制备和数据分析软件支持在所有物种中的

mRNA

测序研究。

什么是

smallRNA

测序

SmallRNA

（

microRNAs

、

siRNAs

和

piRNAs

）是生命活动重要的调控因子，在基因表达调

控、生物个体发育、代谢及疾病的发生等生理过程中起着重要的作用。

Illumina

能够对细胞

或者组织中的全部

SmallRNA

进行深度测序及定量分析等研究。实验时首先将

18-30nt

范

围的

SmallRNA

从总

RNA

中分离出来，两端分别加上特定接头后体外反转录做成

cDNA

再

做进一步处理后，利用测序仪对

DNA

片段进行单向末端直接测序。通过

Illumina

对

Small

RNA

大规模测序分析，可以从中获得物种全基因组水平的

miRNA

图谱，实现包括新

miRNA

分子的挖掘，其作用靶基因的预测和鉴定、样品间差异表达分析、

miRNAs

聚类和表达谱分

析等科学应用。

什么是

miRNA

测序

成熟的

microRNA

（

miRNA

）是

17~24nt

的单链非编码

RNA

分子，通过与

mRNA

相互作用

影响目标

mRNA

的稳定性及翻译，最终诱导基因沉默，调控着基因表达、细胞生长、发育

等生物学过程。基于第二代测序技术的

microRNA

测序，可以一次性获得数百万条

microRNA

序列，能够快速鉴定出不同组织、不同发育阶段、不同疾病状态下已知和未知的

microRNA

及其表达差异，为研究

microRNA

对细胞进程的作用及其生物学影响提供了有力工具。

什么是

Chip-q

染色质免疫共沉淀技术（

ChromatinImmunoprecipitation

，

ChIP

）也称结合位点分析法，是

研究体内蛋白质与

DNA

相互作用的有力工具，通常用于转录因子结合位点或组蛋白特异性

修饰位点的研究。将

ChIP

与第二代测序技术相结合的

ChIP-Seq

技术，能够高效地在全基

因组范围内检测与组蛋白、转录因子等互作的

DNA

区段。

ChIP-Seq

的原理是：首先通过染色质免疫共沉淀技术（

ChIP

）特异性地富集目的蛋白结合

的

DNA

片段，并对其进行纯化与文库构建；然后对富集得到的

DNA

片段进行高通量测序。

研究人员通过将获得的数百万条序列标签精确定位到基因组上，从而获得全基因组范围内与

组蛋白、转录因子等互作的

DNA

区段信息。

什么是

CHIRP-Seq

CHIRP-Seq(ChromatinIsolationbyRNAPurification)

是一种检测与

RNA

绑定的

DNA

和蛋

白的高通量测序方法。方法是通过设计生物素或链霉亲和素探针，把目标

RNA

拉下来以后，

与其共同作用的

DNA

染色体片段就会附在到磁珠上，最后把染色体片段做高通量测序，这

样会得到该

RNA

能够结合到在基因组的哪些区域，但由于蛋白测序技术不够成熟，无法知

道与该

RNA

结合的蛋白。

什么是

RIP-q

RNAImmunoprecipitation

是研究细胞内

RNA

与蛋白结合情况的技术，是了解转录后调控网

络动态过程的有力工具，能帮助我们发现

miRNA

的调节靶点。这种技术运用针对目标蛋白

的抗体把相应的

RNA-

蛋白复合物沉淀下来，然后经过分离纯化就可以对结合在复合物上的

RNA

进行测序分析。

RIP

可以看成是普遍使用的染色质免疫沉淀

ChIP

技术的类似应用，但由于研究对象是

RNA-

学习必备欢迎下载

蛋白复合物而不是

DNA-

蛋白复合物，

RIP

实验的优化条件与

ChIP

实验不太相同（如复合物

不需要固定，

RIP

反应体系中的试剂和抗体绝对不能含有

RNA

酶，抗体需经

RIP

实验验证

等等）。

RIP

技术下游结合

microarray

技术被称为

RIP-Chip

，帮助我们更高通量地了解癌症

以及其它疾病整体水平的

RNA

变化。

什么是

CLIP-q

CLIP-q,

又称为

HITS-CLIP

，即紫外交联免疫沉淀结合高通量测序

(crosslinking-immunprecipitationandhigh-throughputquencing),

是一项在全基因组水

平揭示

RNA

分子与

RNA

结合蛋白相互作用的革命性技术。其主要原理是基于

RNA

分子与

RNA

结合蛋白在紫外照射下发生耦联，以

RNA

结合蛋白的特异性抗体将

RNA-

蛋白质复合体

沉淀之后，回收其中的

RNA

片段，经添加接头、

RT-PCR

等步骤，对这些分子进行高通量测

序，再经生物信息学的分析和处理、总结，挖掘出其特定规律，从而深入揭示

RNA

结合蛋

白与

RNA

分子的调控作用及其对生命的意义。

什么是

metagenomic

（宏基因组）

Magenomics

研究的对象是整个微生物群落。相对于传统单个细菌研究来说，它具有众多优

势，其中很重要的两点：

(1)

微生物通常是以群落方式共生于某一小生境中，它们的很多特

性是基于整个群落环境及个体间的相互影响的，因此做

Metagenomics

研究比做单个个体的

研究更能发现其特性；

(2)Metagenomics

研究无需分离单个细菌，可以研究那些不能被实

验室分离培养的微生物。

宏基因组是基因组学一个新兴的科学研究方向。宏基因组学（又称元基因组学，环境基

因组学，生态基因组学等），是研究直接从环境样本中提取的基因组遗传物质的学科。传统

的微生物研究依赖于实验室培养，元基因组的兴起填补了无法在传统实验室中培养的微生物

研究的空白。过去几年中，

DNA

测序技术的进步以及测序通量和分析方法的改进使得人们

得以一窥这一未知的基因组科学领域。

什么是

SNP

、

SNV

（单核苷酸位点变异）

单核苷酸多态性

singlenucleotidepolymorphism

，

SNP

或单核苷酸位点变异

SNV

。个体间

基因组

DNA

序列同一位置单个核苷酸变异

(

替代、插入或缺失

)

所引起的多态性。不同物种、

个体基因组

DNA

序列同一位置上的单个核苷酸存在差别的现象。有这种差别的基因座、

DNA

序列等可作为基因组作图的标志。人基因组上平均约每

1000

个核苷酸即可能出现

1

个单核

苷酸多态性的变化，其中有些单核苷酸多态性可能与疾病有关，但可能大多数与疾病无关。

单核苷酸多态性是研究人类家族和动植物品系遗传变异的重要依据。在研究癌症基因组变异

时，相对于正常组织，癌症中特异的单核苷酸变异是一种体细胞突变（

somaticmutation

），

称做

SNV

。

什么是

INDEL(

基因组小片段插入）

基因组上小片段（

>50bp

）的插入或缺失，形同

SNP/SNV

。

什么是

copynumbervariation

（

CNV

）：基因组拷贝数变异

基因组拷贝数变异是基因组变异的一种形式，通常使基因组中大片段的

DNA

形成非正常的

拷贝数量。例如人类正常染色体拷贝数是

2

，有些染色体区域拷贝数变成

1

或

3

，这样，该

区域发生拷贝数缺失或增加，位于该区域内的基因表达量也会受到影响。如果把一条染色体

学习必备欢迎下载

分成

A-B-C-D

四个区域，则

A-B-C-C-D/A-C-B-C-D/A-C-C-B-C-D/A-B-D

分别发生了

C

区域的

扩增及缺失，扩增的位置可以是连续扩增如

A-B-C-C-D

也可以是在其他位置的扩增，如

A-C-B-C-D

。

什么是

structurevariation

（

SV

）：基因组结构变异

染色体结构变异是指在染色体上发生了大片段的变异。主要包括染色体大片段的插入和缺失

（引起

CNV

的变化），染色体内部的某块区域发生翻转颠换，两条染色体之间发生重组

（

inter-chromosometrans-location

）等。一般

SV

的展示利用

Circos

软件。

什么是

Segmentduplication

一般称为

SD

区域，串联重复是由序列相近的一些

DNA

片段串联组成。串联重复在人类基

因多样性的灵长类基因中发挥重要作用。在人类染色体

Y

和

22

号染色体上，有很大的

SD

序列。

什么是

genotypeandphenotype

既基因型与表型；一般指某些单核苷酸位点变异与表现形式间的关系。

什么是

Read

高通量测序平台产生的序列标签就称为

reads

。

什么是

soft-clippedreads

当基因组发生某一段的缺失，或转录组的剪接，在测序过程中，横跨缺失位点及剪接位点的

reads

回帖到基因组时，一条

reads

被切成两段，匹配到不同的区域，这样的

reads

叫做

soft-clippedreads

，这些

reads

对于鉴定染色体结构变异及外源序列整合具有重要作用。

什么是

multi-hitsreads

由于大部分测序得到的

reads

较短，一个

reads

能够匹配到基因组多个位置，无法区分其真

实来源的位置。一些工具根据统计模型，如将这类

reads

分配给

reads

较多的区域。

什么是

Contig

拼接软件基于

reads

之间的

overlap

区，拼接获得的序列称为

Contig

（重叠群）。

什么是

Scaffold

基因组

denovo

测序，通过

reads

拼接获得

Contigs

后，往往还需要构建

454Paired-end

库

或

IlluminaMate-pair

库，以获得一定大小片段（如

3Kb

、

6Kb

、

10Kb

、

20Kb

）两端的序列。

基于这些序列，可以确定一些

Contig

之间的顺序关系，这些先后顺序已知的

Contigs

组成

Scaffold

。

什么是

ContigN50

Reads

拼接后会获得一些不同长度的

Contigs

。将所有的

Contig

长度相加，能获得一个

Contig

学习必备欢迎下载

总长度。然后将所有的

Contigs

按照从长到短进行排序，如获得

Contig1

，

Contig2

，

Contig

3...………Contig25

。将

Contig

按照这个顺序依次相加，当相加的长度达到

Contig

总长度

的一半时，最后一个加上的

Contig

长度即为

ContigN50

。举例：

Contig1+Contig2+Contig

3+Contig4=Contig

总长度

*1/2

时，

Contig4

的长度即为

ContigN50

。

ContigN50

可以作

为基因组拼接的结果好坏的一个判断标准。

什么是

ScaffoldN50

ScaffoldN50

与

ContigN50

的定义类似。

Contigs

拼接组装获得一些不同长度的

Scaffolds

。

将所有的

Scaffold

长度相加，能获得一个

Scaffold

总长度。然后将所有的

Scaffolds

按照从

长到短进行排序，如获得

Scaffold1

，

Scaffold2

，

Scaffold3...………Scaffold25

。将

Scaffold

按照这个顺序依次相加，当相加的长度达到

Scaffold

总长度的一半时，最后一个加上的

Scaffold

长度即为

ScaffoldN50

。举例：

Scaffold1+Scaffold2+Scaffold3+Scaffold4

+Scaffold5=Scaffold

总长度

*1/2

时，

Scaffold5

的长度即为

ScaffoldN50

。

ScaffoldN50

可以作为基因组拼接的结果好坏的一个判断标准。

什么是测序深度和覆盖度

测序深度是指测序得到的总碱基数与待测基因组大小的比值。假设一个基因大小为

2M

，测

序深度为

10X

，那么获得的总数据量为

20M

。覆盖度是指测序获得的序列占整个基因组的比

例。由于基因组中的高

GC

、重复序列等复杂结构的存在，测序最终拼接组装获得的序列往

往无法覆盖有所的区域，这部分没有获得的区域就称为

Gap

。例如一个细菌基因组测序，覆

盖度是

98%

，那么还有

2%

的序列区域是没有通过测序获得的。

什么是

RPKM

、

FPKM

RPKM,ReadsPerKilobaofexonmodelperMillionmappedreads,isdefinedinthisway

[Mortazavietal.,2008]:

每

1

百万个

map

上的

reads

中

map

到外显子的每

1K

个碱基上的

reads

个数。

假如有

1

百万个

reads

映射到了人的基因组上，那么具体到每个外显子呢，有多少映射上了

呢，而外显子的长度不一，那么每

1K

个碱基上又有多少

reads

映射上了呢，这大概就是这

个

RPKM

的直观解释。

如果对应特定基因的话，那么就是每

1000000mapped

到该基因上的

reads

中每

kb

有多少

是

mapped

到该基因上的

exon

的

read

Totalexonreads:ThisisthenumberinthecolumnwithheaderTotalexonreadsintherow

thenumberofreadsthathavebeenmappedtoaregioninwhichan

exonisannotatedforthegeneoracrosstheboundariesoftwoexonsoranintronandan

aryotes,exonsandtheirinternal

relationshipsaredefinedbyannotationsoftypemRNA.

映射到外显子上总的

reads

个数。这

学习必备欢迎下载

个是映射到某个区域上的

reads

个数，这个区域或者是已知注释的基因或者跨两个外显子的

边界或者是某个基因已经注释的转录本的内含子、外显子。对于真核生物来说，外显子和它

们自己内部的关系由某类型的

mRNA

来注释。

Exonlength:ThisisthenumberinthecolumnwiththeheaderExonlengthintherowfor

thegene,calculatedasthesumofthelengthsofallexons

onisincludedonlyonceinthissum,evenifitisprentin

overlappingexonswillcountwiththeirfull

length,eventhoughtheysharethesameregion.

外显子的长度。计算时，计算所有某个基

因已注释的所有外显子长度的总和。即使某个基因以多种注释的转录本呈现，这个外显子在

求和时只被包含一次。即使部分重叠的外显子共享相同的区域，重叠的外显子以其总长来计

算。

Mappedreads:ThesumofallthenumbersinthecolumnwithheaderTotalgenereads.

TheTotalgenereadsforageneisthetotalnumberofreadsthataftermappinghavebeen

isincludesallthereadsuniquelymappedtothe

regionofthegeneaswellasthoofthereadswhichmatchinmoreplaces(belowthelimit

tinthedialoginfigure18.110)thathavebeenallocatedtothisgene''s

regionisthatcompridoftheflankingregions(ifitwasspecifiedinfigure18.110),the

exons,theintronsandacrosxon-exonboundariesofalltranscriptsannotatedforthe

,thesumofthetotalgenereadsnumbersisthenumberofmappedreadsfor

thesample(youcanfindthenumberintheRNA-Seqreport).map

的

reads

总和。映射到某

个基因上的所有

reads

总数。因此这包含所有的唯一映射到这个区域上的

reads

。

举例：比如对应到该基因的

read

有

1000

个，总

reads

个数有

100

万，而该基因的外显子

总长为

5kb

，那么它的

RPKM

为：

10^9*1000(reads

个数

)/10^6(

总

reads

个数

)*5000(

外显

子长度

)=200

或者：

1000(reads

个数

)/1(

百万

)*5(K)=200

这个值反映基因的表达水平。

FPKM(fragmentsperkilobaofexonpermillionfragmentsmapped).FPKM

与

RPKM

计算

方法基本一致。不同点就是

FPKM

计算的是

fragments

，而

RPKM

计算的是

reads

。

Fragment

比

read

的含义更广，因此

FPKM

包含的意义也更广，可以是

pair-end

的一个

fragment

，也

可以是一个

read

。

什么是转录本重构

用测序的数据组装成转录本。有两种组装方式：

1

，

de-novo

构建；

2

，有参考基因组重构。

其中

de-novo

组装是指在不依赖参考基因组的情况下，将有

overlap

的

reads

连接成一个更

长的序列，经过不断的延伸，拼成一个个的

contig

及

scaffold

。常用工具包括

velvet

，

trans-ABYSS

，

Trinity

等。有参考基因组重构，是指先将

read

贴回到基因组上，然后在基因

组通过

reads

覆盖度，

junction

位点的信息等得到转录本，常用工具包括

scripture

、

cufflinks

。

什么是

genefusion

将基因组位置不同的两个基因中的一部分或全部整合到一起，形成新的基因，称作融合基因，

或嵌合体基因。该基因有可能翻译出融合或嵌合体蛋白。

学习必备欢迎下载

什么是表达谱

基因表达谱

(geneexpressionprofile)

：指通过构建处于某一特定状态下的细胞或组织的非偏

性

cDNA

文库

,

大规模

cDNA

测序

,

收集

cDNA

序列片段、定性、定量分析其

mRNA

群体组成

,

从而描绘该特定细胞或组织在特定状态下的基因表达种类和丰度信息

,

这样编制成的数据表

就称为基因表达谱

什么是功能基因组学

功能基因组学（

Functuionalgenomics

）又往往被称为后基因组学（

Postgenomics

），它利用

结构基因组所提供的信息和产物，发展和应用新的实验手段，通过在基因组或系统水平上全

面分析基因的功能，使得生物学研究从对单一基因或蛋白质得研究转向多个基因或蛋白质同

时进行系统的研究。这是在基因组静态的碱基序列弄清楚之后转入对基因组动态的生物学功

能学研究。研究内容包括基因功能发现、基因表达分析及突变检测。基因的功能包括：生物

学功能，如作为蛋白质激酶对特异蛋白质进行磷酸化修饰；细胞学功能，如参与细胞间和细

胞内信号传递途径；发育上功能，如参与形态建成等。采用的手段包括经典的减法杂交，差

示筛选，

cDNA

代表差异分析以及

mRNA

差异显示等，但这些技术不能对基因进行全面系统

的分析，新的技术应运而生，包括基因表达的系统分析（

rialanalysisofgene

expression,SAGE

），

cDNA

微阵列（

cDNAmicroarray

），

DNA

芯片（

DNAchip

）和序列标志

片段显示（

quencetaggedfragmentsdisplay

。

什么是比较基因组学

比较基因组学

(ComparativeGenomics)

是基于基因组图谱和测序基础上，对已知的基因和基

因组结构进行比较，来了解基因的功能、表达机理和物种进化的学科。利用模式生物基因组

与人类基因组之间编码顺序上和结构上的同源性，克隆人类疾病基因，揭示基因功能和疾病

分子机制，阐明物种进化关系，及基因组的内在结构。

什么是表观遗传学

表观遗传学是研究基因的核苷酸序列不发生改变的情况下，基因表达了可遗传的变化的一门

遗传学分支学科。表观遗传的现象很多，已知的有

DNA

甲基化（

DNAmethylation

），基因

组印记（

genomicimpriting

），母体效应（

maternaleffects

），基因沉默（

genesilencing

），核

仁显性，休眠转座子激活和

RNA

编辑（

RNAediting

）等。

什么是计算生物学

计算生物学是指开发和应用数据分析及理论的方法、数学建模、计算机仿真技术等。当前，

生物学数据量和复杂性不断增长，每

14

个月基因研究产生的数据就会翻一番，单单依靠观

察和实验已难以应付。因此，必须依靠大规模计算模拟技术，从海量信息中提取最有用的数

据。

什么是基因组印记

基因组印记

(

又称遗传印记

)

是指基因根据亲代的不同而有不同的表达。印记基因的存在能导

致细胞中两个等位基因的一个表达而另一个不表达。基因组印记是一正常过程，此现象在一

些低等动物和植物中已发现多年。印记的基因只占人类基因组中的少数，可能不超过

5%

，

但在胎儿的生长和行为发育中起着至关重要的作用。基因组印记病主要表现为过度生长、生

长迟缓、智力障碍、行为异常。目前在肿瘤的研究中认为印记缺失是引起肿瘤最常见的遗传

学因素之一。

学习必备欢迎下载

什么是基因组学

基因组学（英文

genomics

），研究生物基因组和如何利用基因的一门学问。用于概括涉及基

因作图、测序和整个基因组功能分析的遗传学分支。该学科提供基因组信息以及相关数据系

统利用，试图解决生物，医学，和工业领域的重大问题。

什么是

DNA

甲基化

DNA

甲基化是指在

DNA

甲基化转移酶的作用下，在基因组

CpG

二核苷酸的胞嘧啶

5'

碳位共

价键结合一个甲基基团。正常情况下，人类基因组

“

垃圾

”

序列的

CpG

二核苷酸相对稀少，

并且总是处于甲基化状态，与之相反，人类基因组中大小为

100—1000bp

左右且富含

CpG

二核苷酸的

CpG

岛则总是处于未甲基化状态，并且与

56

％的人类基因组编码基因相关。人

类基因组序列草图分析结果表明，人类基因组

CpG

岛约为

28890

个，大部分染色体每

1Mb

就有

5—15

个

CpG

岛，平均值为每

Mb

含

10

．

5

个

CpG

岛，

CpG

岛的数目与基因密度有良

好的对应关系

[9]

。由于

DNA

甲基化与人类发育和肿瘤疾病的密切关系，特别是

CpG

岛甲

基化所致抑癌基因转录失活问题，

DNA

甲基化已经成为表观遗传学和表观基因组学的重要

研究内容。

什么是基因组注释

基因组注释

(Genomeannotation)

是利用生物信息学方法和工具

,

对基因组所有基因的生物

学功能进行高通量注释

,

是当前功能基因组学研究的一个热点。基因组注释的研究内容包括

基因识别和基因功能注释两个方面。基因识别的核心是确定全基因组序列中所有基因的确切

位置。