人类的基因到底有多少个？近20年学界“大争议”带来最新结论

Source: M. Pertea & S. L. Salzberg

基因计数可以根据被分析的数据、使用的工具和剔除假阳性的标准而变化。最新的统计使用了更大的数据集和不同于先前的计算方法，以及更广泛的基因定义标准。

Salzberg的研究小组使用了来自基因型组织表达( GTEx )项目的数据，该项目对数百具死尸的30多个不同组织的RNA进行了测序（RNA是DNA和蛋白质之间的中介）。为了鉴定编码蛋白质的基因和那些在细胞中不编码但仍起重要作用的基因，他们组装了GTEx的9000亿个微小RNA片段，并将其与人类基因组对齐。

然而，仅仅因为一段DNA表达为RNA，并不一定意味着它就是一个基因。所以这个小组试图用各种标准 滤除噪音。例如，他们将研究结果与其他物种的基因组进行了比较，认为远亲生物共享的序列很可能由于进化而得以保留（因为它们具有功能性），而且很可能是基因。

最终，研究小组留下了21，306个蛋白质编码基因和21，856个非编码基因，远远超过两个最广泛使用的人类基因数据库（由EBI维护的GENCODE基因组包括19，901个蛋白质编码基因和15，779个非编码基因以及由美国国家生物技术信息中心管理的数据库RefSeq列出的20，203个蛋白质编码基因和17，871个非编码基因）。

前RefSeq负责人Kim Pruitt认为，造成这种差异的原因一部分是由于Salzberg团队分析的大数据量；另外一个主要的区别是，GENCODE和RefSeq都依赖人工处理——人为查看每个基因的证据并做出最终决定，而Salzberg的小组则完全依靠 计算机程序来筛选数据。

“如果人们喜欢我们的基因列表，那么也许几年后我们将成为人类基因的仲裁者。” Salzberg说。

Illustrated by Jeremy Dimmock. via Pacific Standard

何为基因的定义标准？

需要指出的是，许多科学家仍坚称，他们需要更多的证据才能确信这份清单的准确性。协调 GENCODE人工注释的EBI计算生物学家Adam Frankish说，他和他的团队已经扫描了Salzberg团队鉴定的大约100个蛋白质编码基因。据他们评估，其中只有一个似乎是真正的蛋白质编码基因。

Pruitt的团队成员研究了Salzberg小组的十几个新的蛋白质编码基因，但 没有发现任何符合RefSeq标准的基因。有些与基因组中似乎属于侵入我们祖先基因组的逆转录病毒的区域重叠；另一些属于其他重复性延伸（repetitive stretches），很少被翻译成蛋白质。

但是Salzberg认为一些 重复序列可以被认为是基因。ERV31就是一个例子，它出现在RefSeq中，并编码在结直肠癌中过表达的蛋白质。同时Salzberg也承认，他团队名单上的新基因将需要他们自己和其他人的验证。”

最令人困惑的是基因定义的变化和不精确。生物学家过去认为基因是编码蛋白质的序列，但后来发现一些非编码RNA分子在细胞中有重要作用。这一基因判定的标准争议也解释了Salzberg计数和其他计数之间的一些差异。

重要意义

准确统计所有人类基因对于揭示基因与疾病之间的联系非常重要。Salzberg指出，不计其数的基因经常被忽视，即使它们含有致病突变。但是仓促地将基因添加到主列表中也会带来风险。一个错误的基因将会转移遗传学家对真正问题的注意力。

Pruitt补充道：“生物学是复杂的。数据库与库之间的基因数量不一致对研究人员来说仍然是个问题，人们还在寻求一个最终的答案。”

责编：浮苏

参考文献：

New human gene tally reignites debate

本网站所有注明“来源：生物探索”的文字、图片和音视频资料，版权均属于生物探索所有，其他平台转载需得到授权。本网所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，不希望被转载的媒体或个人可与我们联系([email protected])，我们将立即进行删除处理。所有文章仅代表作者观点，不代表本站立场。返回搜狐，查看更多