基因测序：从Sanger到纳米孔的技术演进

打破一个常见误解#

今天的商业报价、测序中心生产成本与临床报告总费用仍是三种不同数字。样本制备、测序深度、长短读长、数据分析、医学解读和质量体系是否计入，都会让“一个基因组多少钱”相差数倍。真正的变化不是某个醒目的最低报价，而是测序已经从国家级基础工程变成许多实验室可以重复运行的技术平台。

“基因测序就是读出 DNA 的全部序列”忽略了这项技术的层次性。现代仪器通常并行读取大量分子片段；短读长流程常把读段比对到参考基因组，长读长流程也仍需把许多读段组装起来。测序的挑战不仅在于“读”，还在于把信号转换为碱基、识别错误、区分父母两套染色体，并判断一个与参考不同的位置究竟是正常变异、致病变异还是技术伪影。

人类单倍体参考约 30 亿碱基，但一个人的细胞通常有父母来源的两套常染色体。所谓“30× 全基因组”不是每个位点刚好读 30 次，而是总产出除以参考长度得到的平均覆盖；重复区、GC 极端区域和结构变异附近可能明显偏低。平均深度、覆盖均匀性与碱基质量必须一起看，不能用一个数字概括整份数据。

Sanger测序：第一代测序技术#

1977年，弗雷德里克·桑格（Frederick Sanger）发明了双脱氧链终止法（dideoxy chain termination method），这是第一个实用的DNA测序方法。其原理优雅而简洁：在DNA合成反应中加入少量荧光标记的双脱氧核苷酸（ddNTP），ddNTP缺少3'-OH基团，一旦被掺入新生链就会终止延伸。四种ddNTP分别用不同荧光标记，反应产物通过毛细管电泳按长度分离，激光读取荧光信号即可确定碱基序列。

成熟的 Sanger 流程常给出约 700—1000 个高质量碱基，特别适合验证一个候选变异或读取单个克隆。准确率取决于模板纯度、峰形、读段位置与质量阈值，不能把仪器最佳条件下的数字当作每个碱基的固定保证。它支撑了人类基因组计划的大规模克隆分层测序；桑格也因蛋白质序列与核酸测序工作分别获得 1958 与 1980 年诺贝尔化学奖。

但 Sanger 测序的通量有限。毛细管阵列可以同时跑许多反应，却仍需要每个模板分别扩增、纯化与上样；面对数十亿碱基时，单位读段的人工与试剂开销很快累积。下一代测序真正改变的是并行规模，而不只是把同一根毛细管跑得更快。

下一代测序（NGS）：高通量革命#

2005年以后，下一代测序（Next-Generation Sequencing, NGS）技术彻底改变了基因组学。NGS的核心创新是大规模并行测序——同时对数百万甚至数十亿个DNA片段进行测序。

Illumina 测序（合成测序法）：DNA 片段被附着在流动池表面，通过扩增形成可成像的分子簇。每个循环加入带荧光的可逆终止核苷酸，成像后再切除荧光与阻断基团。常见双端读长约为每端 150 碱基；它以高通量和较低单碱基错误率见长，却很难仅凭短片段跨过长重复序列。

Ion Torrent（半导体测序法）：DNA合成时释放的H+离子改变溶液pH值，被半导体芯片上的传感器检测。不需要光学系统，设备更小、更快。

NGS 让每兆碱基生产成本在 2007 年前后开始以快于摩尔定律的速度下降，但成本曲线必须读清口径。NHGRI 的统计包含测序中心的人工、设备折旧、试剂与初步数据处理，却不包含所有下游比对、变异解释和临床确认；商业公司公布的“试剂成本”还可能更窄。把最低试剂报价直接与整个人类基因组计划总预算相比，会制造一个夸张但没有可比性的下降倍数。

从光点到碱基：误差并不是一种东西#

测序仪输出的首先是光强、电流或聚合酶脉冲，不是字母。碱基识别软件把原始信号转换成 A、C、G、T，并用 Phred 质量值表达估计错误概率：Q30 对应约千分之一，Q20 对应约百分之一。这个概率是模型估计，仍需用已知样本、重复实验与正交方法校准。

不同平台有不同误差结构。短读长常在低复杂度与系统性偏好处失手；长读长历史上更常出现插入和缺失，但一致性读法与新一代模型显著改善了准确率。错误若彼此独立，可以靠多次覆盖投票压低；若错误总在同一序列背景发生，再深的覆盖也未必能消除。选择平台时要问的是目标变异是什么，而不是只比较一行总体准确率。

测序之前的“建库”同样会塑造结果。把 DNA 打断、选择片段长度、连接接头并用 PCR 扩增，每一步都可能丢失某些分子或放大另一些分子。PCR 重复不是多份独立证据；若不根据分子起点去重，一条原始分子可能被误算成许多条支持读段。低频肿瘤变异尤其需要唯一分子标识，把扩增拷贝归回原始模板。

样本身份和污染比算法更基础。一次标签交换可以生成内部质量指标都很漂亮、医学结论却属于另一个人的报告；少量外源 DNA 则可能被误判为低频嵌合。可靠实验室会设置阴阳性对照、性别与亲缘一致性检查，并保留原始数据与分析版本，使异常结果能追溯到具体环节。

第三代测序：长读长技术#

NGS的短读长在某些应用中存在局限——重复序列区域的组装、结构变异检测和表观遗传修饰的直接检测需要更长的读长。

PacBio SMRT 测序（Single Molecule Real-Time Sequencing）：在零模波导小孔中观察单个 DNA 聚合酶实时加入核苷酸。把同一环形模板反复读取并取一致结果，可得到兼具数万碱基尺度与高准确率的 HiFi 读段；代价是同一分子要被多次读取，产量、模板长度与一致性之间存在权衡。

Oxford Nanopore 测序：DNA 或 RNA 穿过嵌在膜上的蛋白纳米孔，孔内离子电流随一小段核酸的组合而变化，神经网络再把电流轨迹解码为序列。它无需逐碱基荧光成像，可实时输出、直接读取 RNA 或某些碱基修饰，并能保留极长分子；实际读长上限往往由样本提取时能否保持 DNA 完整决定，而不是孔本身给出的固定数字。

纳米孔测序的便携性使其在资源有限的环境中也能使用。2016年，科学家在非洲的埃博拉疫情现场使用MinION进行实时基因组监测。2020-2022年的COVID-19大流行中，纳米孔测序被广泛用于SARS-CoV-2变异株的基因组监测。

短读长与长读长并不是新旧替代关系。短读长适合以较低成本统计大量样本的小变异，长读长擅长跨越重复区、解析大片段重排和把变异分到父母两条单倍型上。高质量组装往往把 HiFi、超长纳米孔、Hi-C 或亲子数据组合起来，用互补证据解决各自的盲区。

人类基因组计划到个人基因组时代#

人类基因组计划的完成标志着基因组学时代的开启。1000 基因组计划在 2015 年发布的主体数据覆盖 26 个人群的 2504 名个体，建立了常见与部分低频变异的公共图谱。此后 gnomAD 等数据库继续扩大样本，但“数据库里没见过”仍不等于致病，“见过”也不自动等于良性；祖源代表不足会让罕见性判断对某些人群系统性更不可靠。

参考序列不是一个标准人#

经典参考基因组是一条便于坐标定位的拼接序列，不是“正常人的基因组”。读段若与参考差异太大，就更难被正确比对，形成参考偏倚；复杂重复区和结构变异尤其容易被漏掉。2022 年，端粒到端粒联盟发布 CHM13，在特殊的近单倍体细胞系上填补了多数长期缺口，但它仍只是一个来源有限的参考。

2023 年的人类泛基因组草图改用 47 名个体的 94 条单倍型组装构成图结构。与单一 GRCh38 流程相比，该资源减少了小变异发现错误，并显著增加每条单倍型检出的结构变异。这里的进步不是“终于找到了完整标准答案”，而是承认人类差异不能被压进唯一线性模板。

单细胞测序（Single-cell Sequencing）是近年来的重大突破——将测序分辨率从"组织平均"提升到"单个细胞"。通过将单个细胞分离、裂解和分别建库，可以分析每个细胞的基因组、转录组或表观基因组。单细胞RNA测序（scRNA-seq）揭示了细胞类型的惊人多样性——一个典型的组织可能包含数十种此前未知的细胞亚群。

空间转录组学更进一步，在保留组织坐标的同时测量基因表达。Ståhl 等人在 2016 年发表了早期阵列式方法，后来商业化平台与成像式技术继续提高分辨率。不同方法在视野大小、可测基因数、单细胞分辨率和组织兼容性之间取舍，不能把“空间”误解为每一个转录本都被无误差地放回原细胞。

从变异列表到临床结论#

测序完成后，真正费时的往往才开始。流程要判断变异质量、预测对基因与蛋白的影响、查人群频率、核对患者表型，并按证据强弱分类。一个健康人通常携带数百万个与参考不同的位置，其中绝大多数无害；把差异找出来容易，证明某个差异解释了疾病困难得多。

临床结果还可能出现“意外发现”：检查某种疾病时，发现与另一种可干预风险有关的变异。是否主动寻找、患者是否愿意知道、结果是否应告知亲属，都不能由测序仪决定。技术把可见范围扩大，也把知情同意从一次签字变成贯穿分析、复核与回访的过程。

还要区分生殖系变异与体细胞变异。血液里接近一半读段支持的杂合变异，可能存在于全身并可遗传；肿瘤样本中只占少数读段的变异，则可能属于一个正在扩张的细胞亚群。肿瘤纯度、拷贝数和正常组织混入都会改变等位基因频率，同一个“20%”不能脱离样本组成解释。

随着年龄增长，血液中某些造血干细胞克隆会扩大，形成克隆性造血。若只测血液，这些后天变异可能被误认成先天遗传变异，也可能干扰肿瘤液体活检。测序把生物学混合物变成数字之前，必须先回答样本来自什么细胞、何时取得，以及它是否代表要研究的组织。

基因测序技术的快速进步正在将基因组学从研究工具转变为临床基础设施。新生儿基因组筛查、癌症基因组分析、感染病原体的快速鉴定——这些曾经的前沿研究正在成为常规医疗实践。

为什么这很重要#

基因测序已经改变罕见病诊断、肿瘤分型与病原体监测，但它不会自动把医学从“对症”切换到“对因”。多数常见病由许多小效应变异与环境共同塑造，读出序列不等于得到可行动答案。真正决定临床价值的是：结果能否改变诊断或治疗、证据是否适用于这个人群、以及医疗系统能否承担解释与随访。

一条可信测序结论要经过哪些关口#

第一关是研究设计。样本必须回答明确问题：肿瘤与正常组织是否配对，家系成员是否能帮助判断遗传方式，病例与对照的祖源和年龄是否可比。测序深度再高，也无法补救样本标签错误、对照不合适或目标组织根本没有采到。实验开始前的身份核验、阴阳性对照与批次随机化，通常比最后更换一个变异算法更能降低系统误差。

第二关是从原始信号到候选变异。读段需经过质量检查、比对或组装、重复处理和变异识别；每一步都有参数与盲区。短读长在重复区可能错配，长读长的误差结构又依平台与碱基修饰而变。可信流程会报告参考版本、软件版本、覆盖分布和过滤条件，并保存足以重现结果的中间信息，而不是只交一张“发现了多少突变”的表。

第三关是技术与生物学验证。低等位基因频率的肿瘤变异、嵌合变异或复杂结构变异尤其需要查看原始读段，并在必要时用独立方法或第二份样本确认。即使变异真实存在，也要检查它是否与表型共分离、在人群中多常见、影响哪个转录本，以及功能实验是否对应患者所处的组织与剂量范围。

最后才是行动。临床报告要区分致病、可能致病、意义未明、可能良性与良性，并随数据库和家系证据更新。把“意义未明”当作阳性诊断会制造不必要治疗，把阴性结果说成“排除遗传病”也会忽视当前技术未覆盖的区域。测序不是一次读取后永久定论，而是一条带版本、证据等级和复核责任的判断链。

群体研究还要防止代表性偏差。参考数据库若以少数祖源为主，其他人群的正常罕见变异更容易被误判为可疑，风险评分也可能迁移失效。增加多样化样本不是附加的公平口号，而是提高特异度、发现群体特有结构变异并避免错误医疗建议所必需的方法条件。

跨域连接#

• 大数据系统：测序成本曾以快于摩尔定律的速度下降，但“一个基因组多少钱”随覆盖度、平台、建库和是否包含分析而变，不能用单一消费级报价概括。瓶颈也随之从“测”部分转移到“算”与“解释”：全基因组原始数据的存储、传输、分析和复核都依赖数据系统。推论：云计算、硬件加速与辅助解读会从可选工具变成基础设施；不投入这些环节，廉价读段无法兑现为可靠结论。
• 统计学：现代测序不一次读完整个基因组，而是打碎成数百万片段再计算重建——组装本质是统计推断，重复序列区域则是推断里最不可靠的部分。推论：读长越短，重复区与结构变异的检出应系统性地越差；PacBio与纳米孔的长读长在结构变异检测上的优势，正是这条统计限制的镜像。
• 公共卫生：基因组监测已是传染病防控的标准工具——新冠期间全球共享数百万条病毒序列实时追踪变异株，便携的MinION曾在埃博拉疫情现场做实时监测。推论：从采样到序列报告的周转时间决定监测系统的预警价值；周转超过一个传播代际的监测只能做回顾，做不了预警。
• 数字伦理：基因数据是最特殊的个人数据——不可更改、终身有效，还先天携带血亲的信息：一个人公开自己的基因组，同时就公开了关于其亲属的一半信息。推论：为普通个人数据设计的知情同意与匿名化框架在基因组场景下必然不足——"去标识化"的基因组仍可能被亲属网络重新识别，治理必须按这一结构性特征重新设计。
• 系统发育：比较基因组学把多物种基因组对齐，就能识别哪些序列受自然选择约束、哪些在特定谱系上加速演化——人类加速区域富集于脑发育基因的调控区。推论：若这些区域真参与人类认知演化，其变异应优先影响脑发育相关表型，而非均匀分布地影响各种性状。

参考文献#

1. Sanger, F. et al. (1977). DNA sequencing with chain-terminating inhibitors. Proceedings of the National Academy of Sciences, 74(12), 5463–5467.
2. International Human Genome Sequencing Consortium. (2001). Initial sequencing and analysis of the human genome. Nature, 409(6822), 860–921.
3. Shendure, J. et al. (2017). DNA sequencing at 40: past, present and future. Nature, 550(7676), 345–353.
4. Eid, J. et al. (2009). Real-time DNA sequencing from single polymerase molecules. Science, 323(5910), 133–138.
5. Jain, M. et al. (2016). The Oxford Nanopore MinION: delivery of nanopore sequencing to the genomics community. Genome Biology, 17(1), 239.
6. 1000 Genomes Project Consortium. (2015). A global reference for human genetic variation. Nature, 526(7571), 68–74.
7. Ståhl, P.L. et al. (2016). Visualization and analysis of gene expression in tissue sections by spatial transcriptomics. Science, 353(6294), 78–82.
8. Wetterstrand, K.A. (2023). DNA Sequencing Costs: Data from the NHGRI Genome Sequencing Program. www.genome.gov/sequencingcostsdata.
9. Goodwin, S. et al. (2016). Coming of age: ten years of next-generation sequencing technologies. Nature Reviews Genetics, 17(6), 333–351.
10. Reuter, J.A. et al. (2015). High-throughput sequencing technologies. Molecular Cell, 58(4), 586–597.
11. Nurk, S. et al. (2022). The complete sequence of a human genome. Science, 376(6588), 44–53. DOI: 10.1126/science.abj6987.
12. Liao, W.-W. et al. (2023). A draft human pangenome reference. Nature, 617, 312–324. DOI: 10.1038/s41586-023-05896-x.
13. Quick, J. et al. (2016). Real-time, portable genome sequencing for Ebola surveillance. Nature, 530, 228–232. DOI: 10.1038/nature16996.
14. National Human Genome Research Institute. (2020). The Cost of Sequencing a Human Genome（说明成本口径与人类基因组计划预算的区别）.