IF50.5｜90万人全基因组揭示DNA重复序列扩增的遗传调控与疾病关联

大规模生物库测序发现血液中常见重复序列随年龄扩增，且受DNA修复基因强烈调控。

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

短串联重复序列（STR）是基因组中高度可变的元件，其长度变化可影响基因表达和复杂性状，异常扩增可导致60多种遗传病。此前研究已发现，某些致病性重复序列（如HTT基因的CAG重复）在体细胞中会随年龄发生扩增，且这一过程受到DNA修复基因的遗传修饰。然而，这些发现主要基于特定疾病队列，样本量有限，且对普通人群中常见重复序列的体细胞不稳定性及其遗传调控了解甚少。大规模生物库的全基因组测序数据为在数十万人规模上系统研究重复序列的突变率和遗传修饰提供了前所未有的机会。

科学问题

卡在哪里： 此前对重复序列体细胞不稳定性的研究多局限于少数致病性重复序列和疾病队列，缺乏对普通人群中常见重复序列的系统分析；同时，短读长测序数据中PCR滑移伪影干扰了体细胞突变的准确检测，限制了大规模遗传关联研究的开展。

本文要回答： 利用UK Biobank和All of Us的90余万人全基因组测序数据，系统表征重复序列的胚系和体细胞突变率，鉴定影响体细胞扩增的遗传修饰因子，并探索重复扩增与疾病的关联。

技术路线

作者主要用了：全基因组测序、IBD分析、体细胞突变检测、GWAS、PheWAS。

作者首先开发了从短读长测序数据中提取重复序列读段并校正PCR滑移伪影的计算方法，然后利用IBD共享单倍型估计胚系突变率，并通过年龄关联和遗传修饰因子关联识别体细胞不稳定性。接着，对不稳定的重复序列进行GWAS以鉴定修饰位点，最后通过PheWAS探索重复扩增与疾病表型的关联。

图 1　Fig. 1。图1展示了胚系和体细胞突变率估计方法及结果。a部分通过IBD共享单倍型估计胚系扩增和收缩率；b部分显示GLS和TCF4重复的胚系突变率随等位基因长度增加，且序列中断显著降低突变率；c部分展示过滤PCR滑移伪影的策略；d部分显示TCF4重复体细胞扩增随年龄和等位基因长度增加；e部分比较不同重复的血液/胚系突变率比值，揭示位点特异性差异。

核心亮点

亮点 1｜TCF4重复在血液中高度不稳定

在15个常见CAG重复中，TCF4重复表现出最强的体细胞不稳定性，携带25个以上重复单位的个体在55岁时血液中超过1%的细胞已发生扩增。其胚系突变率相对较低，而GLS重复则相反，胚系突变率高但体细胞不稳定。这种组织特异性和位点特异性差异提示转录活性或反式作用因子可能参与调控。

图 2　Fig. 2。图2比较了TCF4重复体细胞扩增的遗传修饰因子与HTT重复的已知修饰因子。a部分GWAS曼哈顿图显示MSH3、FAN1、ATAD5、PMS2等位点显著；b部分显示这些位点对TCF4和HTT重复的效应方向存在异同，MSH3位点效应相反；c部分进一步比较与HD年龄标志的关联，揭示组织特异性的复杂调控。

亮点 2｜29个遗传位点修饰重复扩增

GWAS鉴定出29个位点影响一个或多个重复序列的体细胞扩增，其中MSH3、PMS2、FAN1、ATAD5等DNA修复基因位点效应显著。不同重复序列受不同修饰基因组合影响，且部分修饰位点对TCF4重复与HTT重复的效应方向相反，表明DNA错配修复通路的调控具有位点和组织特异性。

图 3　Fig. 3。图3总结了17个不稳定STR的特征和遗传修饰。a部分展示这些STR的基因组位置、载体频率、与MSH2/MSH3变异的关联及修饰基因的相对贡献；b部分显示ADGRE2内含子AAAG重复的长等位基因在人群中常见且随年龄扩增；c部分热图展示不同修饰位点对多个STR的效应方向，多数一致但TCF4重复存在例外。

亮点 3｜AAAG重复扩增受多基因调控

对两个AAAG四核苷酸重复（chr2:232.4Mb和chr19:14.8Mb）的深入分析发现，常见和罕见变异共26个位点与体细胞扩增相关，涉及错配修复、核苷酸切除修复和碱基切除修复基因。多基因评分显示，极端个体间体细胞扩增率相差4倍，且遗传修饰因子间存在近似乘性效应，吸烟也显著增加特定重复的突变率。

图 4　Fig. 4。图4深入分析两个AAAG重复的遗传修饰。a部分GWAS曼哈顿图显示多个显著位点，包括MSH3、MSH2、MLH3、PMS2、PMS1、XPC、PARP1等；b部分比较不同重复和等位基因长度范围的效应大小，显示总体一致但有例外；c部分罕见变异负荷分析发现9个基因的pLoF变异显著增加扩增；d部分多基因评分显示极端个体间扩增率差异达4倍；e部分显示遗传修饰因子间近似乘性效应。

亮点 4｜GLS重复扩增与肝肾疾病相关

GLS基因5'UTR的CAG重复扩增（≥45个重复单位）在UKB中139人携带，与GGT和胱抑素C水平升高显著相关，且高度扩增（约100-200个重复）携带者患肝病和慢性肾病风险增加数倍，终末期肾病风险高达14倍。该效应特异于重复扩增，而非GLS功能丧失，提示可能存在RNA毒性等新机制。

图 5　Fig. 5。图5展示GLS重复扩增与疾病的关联。a部分显示GLS 5'UTR中CAG重复的位置；b部分通过IBD和亲属对估计中长等位基因的胚系突变率，显示突变率随长度快速增加；c部分显示携带长等位基因者GGT和胱抑素C水平升高，且效应主要由高度扩增驱动；d部分显示GLS功能丧失变异不影响这些生物标志物；e部分森林图显示高度扩增携带者患肝病和慢性肾病风险显著增加；f部分提出模型：高度扩增通过RNA毒性导致疾病，而功能丧失导致谷氨酰胺升高。

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： 全基因组测序、IBD分析、体细胞突变检测、GWAS、PheWAS
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事重复序列分析、遗传修饰因子研究或生物库数据挖掘的科研人员。

带走一句

大规模短读长测序结合计算校正可有效研究重复序列体细胞不稳定性，遗传修饰因子的位点和组织特异性提示需谨慎解读血液中的重复扩增作为疾病生物标志物。