IF31.7｜170个人类基因组揭示片段重复的结构多态性与多样性

长读长组装首次系统解析人类片段重复的群体结构变异，发现非洲人群携带更多新近重复。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

片段重复（SDs）是长度大于1 kb、序列一致性高于90%的同源DNA块，约占人类基因组的7%。它们通过非等位同源重组（NAHR）驱动拷贝数变异，贡献了人类个体间大部分碱基差异，并与免疫、神经、心血管疾病及人类进化密切相关。然而，由于SDs高度相似且重复，短读长测序难以准确组装和分型，导致这些区域在大多数基因组研究中被排除。近年来，PacBio HiFi长读长测序和组装算法的进步使得单倍型级别的SDs解析成为可能。

科学问题

卡在哪里： 此前对SDs的群体遗传学研究主要基于短读长深度估计拷贝数，无法提供重复序列的位置、结构及基因内容信息。此外，参考基因组不完整导致比对偏差，且缺乏对非洲人群等遗传多样性较高群体的系统比较。

本文要回答： 利用170个人类单倍型组装，全面解析SDs的群体结构变异，比较非洲与非非洲人群差异，并评估多态性SDs的基因表达潜力。

技术路线

作者主要用了：PacBio HiFi测序、hifiasm组装、SEDEF SD注释、fastCN拷贝数估计、Iso-Seq转录组分析。

作者收集了来自HPRC和HGSVC的170个人类单倍型组装（85个样本，38个非洲裔，47个非非洲裔），统一使用hifiasm算法组装。首先用SEDEF识别SDs，并映射到T2T-CHM13参考基因组，区分已知和新发现的SDs。然后通过比较不同单倍型间的SD存在与否，估计等位基因频率，构建SDs的泛基因组图谱。同时利用Illumina短读长数据通过fastCN验证拷贝数，并用Iso-Seq长读长转录组数据评估多态性SDs的基因表达潜力。

图 1　Fig. 1。图1展示了170个单倍型中染色体内SDs的单倍型频率分布。每条染色体旁的黑色条带代表T2T-CHM13中已知的SDs，彩色条带代表不同频率的多态性SDs。可以看出，某些染色体区域（如1q、8p、16p等）富集稀有SDs，而近端着丝粒染色体短臂因组装困难被排除。

核心亮点

亮点 1｜染色体内SDs多态性更高

在170个单倍型中，共鉴定出173.2 Mb的SD序列，其中47.4 Mb是T2T-CHM13参考基因组中不存在的新序列。染色体内SDs中59.7%是可变的，而染色体间SDs中78.4%是固定的。新发现的SDs倾向于定位在已知SDs附近，且随着样本量增加，SDs累积呈渐近趋势，非洲样本贡献更多新SDs。

图 2　Fig. 2。图2显示了随着基因组数量增加，SDs的累积曲线。固定SDs（所有样本共有）很快达到平台期，而多态性SDs（已知和新发现）持续增加，尤其是非洲样本贡献更多新SDs。这表明非洲人群具有更高的SD多样性。

亮点 2｜稀有SDs更长且序列一致性更高

稀有SDs（等位基因频率<3%）比常见SDs（3-10%）更长且序列一致性更高，提示其起源更近。然而，也存在低频但高度分化的SDs，可能代表正在丢失的古老重复。此外，低频SDs更倾向于远离已知SDs，表明散布过程在人类群体中仍在进行。

图 3　Fig. 3。图3a比较了稀有和常见SDs的长度与序列一致性。稀有SDs整体更长且一致性更高，但存在一些低频但高度分化的SDs。图3b显示多态性SDs中散布型（>1 Mb）比例高于单例SDs，且散布型多态性SDs更倾向于反向重复。

亮点 3｜非洲人群携带更多染色体内SDs

非洲裔基因组中的染色体内SDs含量显著高于非非洲裔（Mann-Whitney U检验，P=1.6×10^-6）。在90个可变拷贝数的基因家族中，17个在非洲和非非洲样本间存在拷贝数分布差异，其中16个在更大的短读长队列（n=2,196）中得到验证，且13个（81%）在非洲样本中拷贝数更高。

图 4　Fig. 4。图4展示了几个新发现的SDs结构示例。a显示chr5上一个65.8 kb的反向成簇重复；b-d显示chr9、chr13和chr1上的串联重复；e和f显示chr12上的散布重复，其中一个98.9 kb的重复在34个单倍型中出现，另一个2.5 kb的重复在8个单倍型中出现。

亮点 4｜多态性SDs编码201个新蛋白基因

利用563百万条全长Iso-Seq reads，作者在170个单倍型中预测出260个新的蛋白编码基因，其中201个位于SDs区域。这些基因富集于免疫相关通路，如白细胞介导的免疫调节、抗原加工呈递等。20个新基因属于免疫球蛋白超家族，10个位于核心duplicons中。

图 5　Fig. 5。图5a和b展示了拷贝数变异最大和最小的基因家族。高变异家族如GOLGA6/8、NBPF等拷贝数在10-50之间波动，而低变异家族如HYDIN、RGPD3等拷贝数稳定。图5c显示了GOLGA6/8各旁系同源基因在不同单倍型中的拷贝数，大多数旁系同源基因存在缺失或拷贝数变异，但GOLGA6L2、GOLGA8M等5个基因在所有单倍型中均为单拷贝。

亮点 5｜ZNF972：一个在部分人类中存在的古老重复基因

作者发现了一个新的KRAB锌指蛋白基因ZNF972，其与已知基因ZNF98仅有69%一致性。该基因位于chr19p12的ZNF簇内，在35.9%的人类单倍型中存在，但在GRCh38和T2T-CHM13参考基因组中缺失。该区域在猩猩、大猩猩和红毛猩猩基因组中存在，但只有大猩猩中保留了完整的开放阅读框，表明ZNF972是一个古老的重复基因，在部分人类中保留，在其他猿类中假基因化。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： PacBio HiFi测序、hifiasm组装、SEDEF SD注释、fastCN拷贝数估计、Iso-Seq转录组分析
• 公开数据： PRJEB58376、PRJNA730823、PRJNA659539、PRJNA559484
• 代码： 公开仓库 https://github.com/EichlerLab/assembly_eval、https://github.com/EichlerLab/pav、https://github.com/hrrsjeong/pangenome_SD；本地已克隆：HPP_Year1_Assemblies、assembly_eval、pav、pangenome_SD
• 谁该点开原文： 从事人类基因组结构变异、群体遗传学或长读长测序分析的研究人员。

带走一句

长读长组装是解析高重复区域群体变异的必要手段，SDs的泛基因组图谱为疾病关联和进化研究提供了新资源。