基因信息革命

盡管其商業(yè)前景也許被夸大了，但破譯基因組的內(nèi)在價(jià)值卻是不可估量：我們將有能力知道我們是誰，從哪里來，我們?nèi)祟惖幕蚝彤?dāng)今世界上其他生物的基因有何相同之處

如果沒有計(jì)算機(jī)處理大量的數(shù)據(jù)，包括組成我們?nèi)祟愖陨砩w基因圖譜的30億化學(xué)單元中大多數(shù)信息，那么人類基因組奧秘的破譯將不可能發(fā)生。這場“生物信息技術(shù)”革命所提供的最重要的東西，再一次以鐵一般的事實(shí)證明了地球上所有生命的進(jìn)化論原理。

不論是蛋白質(zhì)還是核酸，其基因序列數(shù)據(jù)，都適合由計(jì)算機(jī)來處理，因?yàn)樗鼈兒苋菀妆粩?shù)字化，并按照它們的組成單元細(xì)分。只需要簡單的計(jì)算機(jī)程序，就能比較兩個或更多這些單元串，考察他們之間的相似度，從巨大的數(shù)據(jù)庫資料中為某一個族譜圖尋找同已知的序列群所匹配的新的序列。

近半個世紀(jì)前，人們第一次對蛋白質(zhì)進(jìn)行了排序，這個實(shí)驗(yàn)的影響至今仍意義深遠(yuǎn)。當(dāng)時對蛋白質(zhì)的測序規(guī)模都很小——比如胰島素只含有大約50個氨基酸——但是不同種類間的差異卻是顯而易見的。

我個人的興趣始于40年前這些簡單分子中的一個，那時我還在瑞典做博士后研究。血纖維蛋白肽是短的序列，相對容易純化，而且具有不同種間差異很顯著的優(yōu)點(diǎn)。所以我們所觀察到的血纖維蛋白肽序列和它的化石記錄有很強(qiáng)的對應(yīng)性。因此根據(jù)現(xiàn)存的基因序列，我們很容易就能推算出它的進(jìn)化過程。

但是，生物技術(shù)的發(fā)展注定與計(jì)算機(jī)的發(fā)展密不可分。1965年，羅卜特·蘭德勒建立了第一個真正意義上的基因序列數(shù)據(jù)庫，即蛋白質(zhì)序列和結(jié)構(gòu)圖譜。1967年，研究人員又用數(shù)據(jù)庫描繪了一些動物和真菌的基因圖。如果讓古典生物學(xué)家來畫這些動物和真菌的分支順序的話，那結(jié)果和計(jì)算機(jī)提供的幾乎一樣，盡管計(jì)算機(jī)完全不懂比較解剖學(xué)、古生物學(xué)、胚胎學(xué)，以及這些生物體其他的非分子特征。而1970年，計(jì)算機(jī)的一次卓越創(chuàng)新使之可以完成氨基酸測序的組合。

當(dāng)時基因測序數(shù)據(jù)的分析、破譯沿著兩個方面發(fā)展。第一種是，生物學(xué)家很自然就對不同生物體之間的聯(lián)系感興趣。他們的設(shè)想是，基因樹的所有分支基因都會產(chǎn)生突變，但只有很少的突變能存活下來。另一種則比較集中在所謂的橫向同源蛋白質(zhì)，它們是同一生物體中由同一基因復(fù)制而產(chǎn)生的多個蛋白質(zhì)。

兩種類型的比較顯示，新蛋白質(zhì)來源于老蛋白質(zhì)，就像進(jìn)化論所預(yù)言的那樣。在所有生物體中，基因組中DNA片段的復(fù)制經(jīng)常發(fā)生——主要是隨機(jī)分裂和重組的后果，這些復(fù)制的片段大多數(shù)注定要消失，因?yàn)槿魏蔚鞍踪|(zhì)的基因突變產(chǎn)物都是多余的。偶爾有些時候，一個稍微有些改變的基因產(chǎn)物卻被證明具有適應(yīng)環(huán)境的競爭力，于是一種新的蛋白質(zhì)產(chǎn)生了。通常它的功能和老的很相似，但偶爾也會發(fā)生巨大的變異。

到了1978年，DNA測序開始廣泛應(yīng)用。很快，新的基因數(shù)據(jù)如潮水般地淹沒了現(xiàn)有的蛋白質(zhì)序列數(shù)據(jù)庫。另一種倉庫——Genbank庫誕生了(Genbank庫包含了所有已知的核酸序列和蛋白質(zhì)序列，以及與它們相關(guān)的文獻(xiàn)著作和生物學(xué)注釋。它是由美國國立生物技術(shù)信息中心建立和維護(hù)的)。

業(yè)余愛好者很少有能力和專業(yè)人士競爭。因此我建立了自己的數(shù)據(jù)庫，主要采用已經(jīng)被破譯了的DNA序列，我稱它為新地圖。這個數(shù)據(jù)庫只有一臺非常原始的電腦和一些由一名大學(xué)生編的很簡單的程序，我們開始把新序列和以前公布的所有序列進(jìn)行匹配，并由此發(fā)現(xiàn)了很多意想不到的關(guān)聯(lián)。到人類基因組計(jì)劃在20世紀(jì)80年代末啟動時，數(shù)據(jù)有限已不再是限制基因技術(shù)發(fā)展的一個因素，相反，對海量基因信息的管理突然之間倒成了瓶頸。

許多科學(xué)家對人類基因組計(jì)劃提出質(zhì)疑。他們指出：人類基因組包含的氨基酸序列是現(xiàn)有基因數(shù)據(jù)庫的好幾百倍。那么如何識別這些基因？對那些以前從未發(fā)現(xiàn)的序列又如何去匹配？

但基因組的每個基因并不完全是一個全新的結(jié)構(gòu)，所有的蛋白質(zhì)都被測序也不可能——否則，不同序列的數(shù)量將遠(yuǎn)遠(yuǎn)超出宇宙中原子的數(shù)量。僅有很小一部分的蛋白質(zhì)會被測序，通過對最開始的一小部分基因進(jìn)行復(fù)制、繁殖和修正。所以，大多數(shù)的基因和基因之間是相關(guān)的。

我以前相信，生物信息技術(shù)能使我們通過序列檢查識別所有的基因。但是當(dāng)?shù)谝慌⑸锘蚪M測序完成以后，大約還有一半的基因沒有被識別出來——在前100個基因組的測序完成的時候，包括人類基因組在內(nèi)，未被識別的基因比例一直是這么多。甚至像大腸桿菌這樣已被研究很透徹的生物體，仍然有許多基因的功能從未被發(fā)現(xiàn)。

盡管如此，破譯基因組的好處是巨大的。能迅速用于治病的商業(yè)前景也許被夸大了。但其內(nèi)在的價(jià)值卻是不可估量：我們將有能力知道我們是誰，從哪里來，我們?nèi)祟惖幕蚝彤?dāng)今世界上其他生物的基因有何相同之處。