生命信息的儲存單位，實際上就是我們說的基因，載體是脫氧核糖核酸 DNA。在多細胞的生物裏，不同的細胞之間，由不同的 細胞所組成的組織之間，由不同的組織所形成的器官之間都在發生信息的流動。這個就是我們所說的：遺傳學的中心法則。基因組就是壹個生命體的遺傳信息的總和。DNA雙螺旋的發現大概是20世紀生命科學最最偉大的突破。ATCG四種不同的堿基構成了紛繁復雜的遺傳學語言。
實際上絕大多數的人類疾病都是多基因控制的。人類基因組計劃正式啟動是1990年，就是要用15年的時間，到2005年完成人類基因組DNA全序列的測定。到今天為止我們也還沒有這樣的技術，說拿來壹條染色體，我們就能直接測序。所以整個人類基因組計劃實際上就是由復雜到簡單，再由簡單又回歸復雜的壹個過程。在人類基因組測序起步的時候，當時用的DNA序列的分析方法是凝膠電泳為主的方法，基本上還是手工運作的。但是在20世紀90年代以後，新的壹個測序技術產生了就是毛細管電泳儀技術。使得測序的速度大大加快。壹天就可以有100萬個堿基對的的序列被測出。中國也加入這壹個測序計劃，我們承擔了1％的任務。2000年4月份，21號染色體全序列測序草圖完成了。
現在我們已經可以做到在指甲蓋大小的生物芯片上點上人類的基因組，所有的基因都點在上面。將來要去看病，不光要帶病卡，還要帶壹個自己的芯片。醫生用藥診斷之前，用芯片看看妳可能得什麽病。通過對進化不同階段的生物體基因組學的比較，就可以發現基因組結構組成的功能調節的規律。實際上人類疾病相關的基因，也恰恰是人類基因組結構和功能完整性至關重要的信息。實際上在過去幾年當中，對疾病的研究早已成為人類基因組研究
壹個重要計劃的組成部分。1997年提出了兩個計劃：壹個是腫瘤基因組的解剖計劃，還有壹個叫環境基因組計劃。實際上都是和健康相關的。人類基因組計劃對醫學的貢獻，壹個是在診斷方面，另外是在基因治療方面。對於我們這樣發展中國家來說，更應該註重預防。
我們國家的基因組計劃，是1994年開始啟動的，從功能基因組的角度進行切入。采取結構與功能並重，多學科交叉建立關鍵技術，進行基因組多樣性和疾病基因研究。這是我們壹開始的時候壹個策略。我們可以很自豪的說：現在除了Y染色體，所有的染色體上面都遍布著中國科學家發現和命名的基因。最近我們啟動了壹個中華民族基因組-SNP的大規模的研究。這個工作從群體遺傳學轉向了，我們中國人群特點的、疾病發生發展的遺傳學信息的研究。所以，如果現在我們能夠把中華民族生命元素變異的系統目錄和數據庫做出來的話，就能夠獲得我國生物醫學界和制藥工業界技術創新的知識產權來造福子孫後代來貢獻於全人類。
全文
當然清華是我們國家最高等的學府之壹了。所以，今天到這裏來，也有點誠惶誠恐。那麽主要是來求教的。現在我要給大家介紹的人類基因組這個研究，可以說是第壹次，在生命科學裏面，實現了某種大科學的概念。也就是說來壹個整體上的遺傳信息的解析，基因組功能的研究。所以我說現在生物學的特點，已經從70年代、80年代，主要是以分析為主，學科的精細化，分工的細化，這樣壹個趨勢到了壹個新的平臺上面。這個平臺就是大綜合，其實我們中國的科學，壹開始就是講究大綜合。妳看我們的藝術也是這樣，我們的寫意畫就是壹種大綜合。這個東西方的融合非常重要，把西方嚴謹的分析，和中國早在幾千年前的大綜合的思路結合在壹起的話，我想有可能帶來壹些新的突破的機遇。那麽這張圖我想，恐怕不光是搞生命科學的，就是我們非生命科學的同學們，也都是非常熟悉的，遺傳學中心法則。
我們都知道，生命活動它的本質，它是壹個信息的流動。有人壹直說，我們都是搞生命科學的。但是突然有壹個冒出壹句話：“什麽是生命”？這個倒可以讓人思索壹番。我個人體會，生命信息它的儲存單位，生命的重要特點之壹，它有記憶功能。那麽它的儲存的單位，實際上就是我們說的基因，在絕大部分的生命體我們知道，它的載體是脫氧核糖核酸DNA。但是它的執行單位，主要來說是蛋白質。這裏面它用信息的語言，不是壹樣的，壹個是核酸的語言，壹個是氨基酸的語言。所以在這個空間信息的流動，需要有壹些調控的機制。這個調控大家知道，第壹步就是轉錄。這個時候生命信息的語言，沒有發生變化，都是核酸的語言。只是從DNA到了MRNA上面，這個過程我們稱為轉錄。然後語言要發生變化，發生轉換，要求來進行翻譯了。所以從MRNA上面的生命語言，變成蛋白質的生命語言。當然我們知道這個蛋白質，很多的蛋白質它都具有代謝的活動。生命體和非生命體的重要差別之壹就是有代謝和新陳代謝，然後蛋白質可以形成高級空間的構型。那麽在這個裏面，細胞的不同的部分互相之間作用，細胞核和細胞漿互相在作用。然後在多細胞的生物裏，不同的細胞之間、由不同的細胞所組成的組織之間、由不同的組織所形成的器官之間都在發生信息的流動。我想這個就是我們所說的“遺傳學的中心法則”。那麽基因這個概念，大家都很清楚了或者說基本概念很清楚，確切的定義也許今天還不是非常清楚。
那麽基因組是什麽意思？基因組就是壹個生命體的遺傳信息的總和。那麽在這裏我們就不是單個基因，而是所有的基因。它所編碼所有的氨基酸相互之間的這個關系，所以感官性是完全不壹樣的。DNA雙螺旋結構的發現大概是20世紀生命科學最最偉大的突破。那麽A、T、C、G四種不同的堿基，構成了紛繁復雜的遺傳學語言，生命信息的最基本的符號。這個最基本的符號實在是讓我們感到非常簡單。大自然就用這四種簡單的字符，組成了讓我們嘆為觀止的大千世界的無數生命的多樣性的現象。那麽它的遺傳信息，在絕大多數的生命體，我剛才說的是DNA的分子。那麽它的排列組合在那裏就決定了，或者說在相當大的程度上決定了生命活動在人體，也就是我們講的：生、老、病、死等等這些活動。那麽我們在講雙螺旋結構的時候，我們都知道，堿基對、DNA是生物的大分子。壹般來說我們不是用壹個質量單位來表示它的體量，而是用它的長度。那麽壹個bp，中文叫壹個堿基對。但是在基因來說，壹個基因常常是要成千上萬個堿基對。所以我們引入了“千堿基對”這樣的尺度。然後再做到基因組的時候，我們都知道基因組它是非常大的尺度，所以又發明了壹些新的尺度單位，像Mb指的是百萬堿基對。
這個是基因組計劃之前的，我們對人類基因組的壹些了解。我們知道人類基因組的長度，壹個單倍體的基因組的長度大概是30億個堿基對。壹般的教科書上都說，序列當中編碼序列，也就是說我們剛才說的，發生轉錄表達的，可以被稱之為基因的序列。大概實際上是指成熟的MRNA，發生加工以後的MRNA當中的序列，大概小於5％。也就是說，非編碼序列占了絕大多數。在人體細胞核裏面，遺傳信息它是以染色體的方式進行組織的，分布於22個常染色體和2條性染色體。我們都知道以前的生物科學的特點，基本上是師傅帶徒弟、作坊式的操作。那麽到了80年代中期的時候，我想壹個是生命科學的這個科學思維的大大擴展，第二個是技術的這個進步。比方說當時遺傳工程已經非常成熟了，當時DNA測序也相對成熟，然後PCR的技術在那裏開始產生了。因此使得科學家們，生命科學家們的雄心壯誌，在那裏萌發了，決心要沖破原來的這種作坊式的被物理學界甚至化學界不太看得起的那種運作方式，搞壹點可以稱為是大科學的東西。
當然我想科學研究的條件，思維這是壹個方面。但是實際上回顧壹下科學史的話，很多重大的事件它還是需求在那裏拉動的。我們有的科學家批評這樣的做法，意思是說我們要註意把基礎研究和社會重大需求結合在壹起。我覺得實際上這有點失之偏頗的，就是說有各種各樣類型的研究：有的是壹種自由的探索，那麽這個可以非常小心，壹個人的腦瓜裏都可以產生諾貝爾獎的構思。但是也有壹些研究的確是希望能夠造福人類的。但是這樣的研究提出的挑戰，實際上又可以孕育著不知道多少人的諾貝爾獎的思想在裏面。那麽人類基因組計劃，就是這樣壹個典型。
我們看第壹份，可以認為是正式的標書。我們做這個課題，壹般來說首先要有標書。那麽人類基因組計劃的第壹個標書，可以被認為是諾貝爾獎獲得者Dulbecco 1986年發表在《科學》雜誌的壹篇短文。它的這個短文的題目是什麽呢？《腫瘤研究的轉折點——人類基因組研究》。事實上我們知道美國有壹位雄心勃勃的年輕總統肯尼迪上臺以後，當時他在科學上有兩大計劃：壹個是實現人類登月，還有壹個戰勝癌癥。那麽人類登月隨著阿波羅計劃的比較順利地實施，1969年人類實現了登月。但是攻克腫瘤的計劃是壹個失敗的。為什麽？原來科學家把問題想得太簡單了，以為腫瘤就是壹兩個基因的問題。但實際上絕大多數的腫瘤，都是多基因的問題。它涉及的面是整個基因組的問題，是遺傳信息的整體上面紊亂的這樣壹些問題。就是剛才講的，我們不要以為好像壹個融合基因打到小鼠裏面去，就足以引起壹個白血病，不是那麽簡單的。因為如果那樣的話，妳壹打進去就要產生白血病，事實上我們PML羅拉白血病，在受精卵裏面註射進這個融合基因以後，需要等待壹年的時間才會出現白血病而且不是每壹個小時都會發生白血病。所以就提示有其他的決定因素在裏面。我們現在知道有時候幾個基因壹起傳染的時候，它發生白血病的速率就會大大加快。
Dulbecco這個文章它就說，如果我們想更多地了解腫瘤，我們從現在開始必須關註細胞的基因組。從哪那個物種著手努力？如果我們想理解人類腫瘤，那就應該從人類開始。人類腫瘤研究將因對DNA的詳細知識而得到巨大的推動。實際上絕大多數的人類疾病都是多基因的。人類基因組計劃正式起動，現在壹般的說法是1990年。那麽1990年因為是美國國會通過了正式啟動這樣壹個計劃。這個計劃雄心勃勃就是要用15年的時間，到2005年完成DNA的全序列的測定。這個投資量是多少呢？30億美元。當時計算的依據是測壹個堿基對大概需要壹美元。整個計劃在這個地方實際上是壹個比較狹義的壹個計劃，這個計劃實際上就是壹個測序計劃。實際上我們講測序，讀出天書只是理解人類自身的第壹步，最重要的是讀懂天書。但是即使是這樣讀出天書壹個計劃的話，它也要經歷很多的磨難，很多的困難。也就是說，到今天為止，我們還沒有這樣的技術說，拿來壹條染色體，我們就能夠直接測序，從壹頭測到另外壹頭我們沒有辦法這樣做。所以整個人類基因組計劃，實際上可以簡單地說就是由復雜到簡單再由簡單又回歸復雜，最後大概還是回歸到簡單。也就是說把不能直接測序的壹條染色體拿來給它進行分解，分解成比較小的可以操作的這樣的單位。那麽怎麽分解呢？那就是作圖，妳可以用遺傳學的方法去作圖，也可以用物理學的方法來作圖。我們知道遺傳學作圖，就是利用遺傳學的標誌來確定DNA標誌間相對的距離。另外壹個概念就是說要構成壹些所謂的DNA連續的克隆系，那麽這些片斷，它互相之間重疊，它可以覆蓋整個的染色體，從壹端覆蓋到另外壹端。這樣就把壹個不能直接拿來測序的單位，就給它解析成比較小的、可以操作的這樣壹個單位。最後給它重新組合成忠實於原來染色體裏面生命信息這個排列的，這樣壹個狀況在這裏面，識別全部的人類基因。所以人類基因組就是作圖，或者狹義的人類基因組計劃，就是作圖的計劃，遺傳圖、物理圖、序列圖，然後基因圖。
在人類基因組計劃進行大規模測序的策略有兩種，壹種就是我剛才說的那種思路，實際上叫逐個克隆。我剛才說了，妳把DNA克隆的連續克隆系建起來了，覆蓋整條染色體了，然後妳就把壹個壹個的克隆，用得最多的就是叫BAC--細菌的人工染色體，大概100多個KB這樣的長度。那麽把這個克隆壹個壹個挑出來，挑出來以後再進行亞克隆。這種亞克隆就是這樣的，就可以測序了，測序以後再給它組裝起來、還原起來。這樣壹個策略，是國際上公***領域的測序計劃所采取的策略。實際上它是歷史的沿革，就是說從作圖，遺傳、物理作圖演化過來的。我們都知道美國的瑟拉爾公司，也知道奎克曼特。那麽它搞了壹個叫全基因組鳥槍法，在壹定作圖信息基礎上，繞過大片段連續克隆系統的構建而直接將基因組分解成小片段隨機測序，然後利用超級計算機來進行組裝。能夠使得人類基因組，在初步完成作圖以後，很快地邁入到測序，尤其是大規模測序。並且使得整個進度朝向人們的預期。這裏面有兩個重大因素的貢獻，不得不承認這裏面，工業界的貢獻是非常大的。比如說在人類基因組起步的時候，當時用的這個DNA序列的分析方法，還是凝膠電泳儀為主的方法，基本上還是手工運作的。但是在20世紀90年代上半段的時間裏面，新的壹個測序技術出現了，毛細管電泳儀。另外把自動化的運作和包括工業界的管理這種系統，都引進來。所以使得測序的速度大大加快。妳像這樣壹個測試儀，它的名字就叫做Megabace。什麽意思？就是毛細管電泳，它差不多兩小時就可以進行讀出壹個序列，大概能夠讀到幾百個堿基，那麽它壹天可以做十班，那麽它是96道，所以壹天可以做960道。每壹道按照他們的宣傳，都可以達到壹個KB的話，實際上是很難做到的，這是最理想的狀態下。所以壹天就可以有100萬個堿基對的產出。但是曾經使學術界感覺比較困惑的另外壹個問題，就是說如果我們現在處於壹個知識爆炸的這樣壹個時代，可以說生物信息的爆炸，是最最給人印象深刻的。
我們看在基因組計劃起步之前，在公***數據庫裏邊DNA序列增長非常緩慢。然後1990年以後，就是指數增長期。而且這個東西我是統計到去年、2000年兩家世界的公***領域，測序計劃和瑟拉爾分別宣布完成了所謂的工作草圖。這個時候是這樣壹個情況，現在大概是這樣的情況。1999年當時面對著瑟拉爾的強行挑戰，它是1998年成立的，號稱三年要拿下人類基因組，國際人類基因組計劃決定迎接挑戰。就由國際上16個組，分擔了人類基因組測序的任務，中國也加入這樣壹個測序計劃。當然我們承擔的是1％的任務，1％還是很重要的。因為對於壹個發展中的國家來說，能夠擠入到這種屬於發達國家的俱樂部裏面，應該說還是很不容易的。有些事情我們想擠也不壹定擠得進去的，像空間站的計劃，人家還防範妳。
在這裏我想介紹壹下什麽叫工作框架圖？因為都在說工作框架圖，什麽叫工作框架圖？其實就是壹個工作草圖。那麽它的意思呢？就是說通過對染色體位置明確的BAC（細菌人工染色體）連續克隆系4—5倍覆蓋率的測序，獲得基因組90％以上的基因序列，其錯誤率應該低於1％。也就是說妳的覆蓋面要達到基因組的90％以上。第二個呢，錯誤率應該低於1％。100個堿基對立面允許妳有壹個以下的堿基對的錯誤。雖然這只是壹張草圖，但是它已經有用途，就是對基因組結構的基本認識，基因的識別和解析、疾病基因的定位克隆、單個核苷酸的多態性的發現等。
那麽講到草圖就壹定有壹個最終完成圖了，所以這張圖的定義，要求測序所用的克隆能忠實地代表常染色質的基因組結構，覆蓋率要達到99.9％以上，然後序列的錯誤率應該低於萬分之壹。與工作框架圖的關系呢，實際上就是在工作框架圖的基礎上再加大測序的覆蓋率，填補空隙，使得序列的精度增加，能夠達到這樣壹個標準。也就是說，它是草圖的下壹步。2000年6月25號，當時的測序的情況是怎麽樣的呢？我們看當時在公***領域就是說各國政府支持的六各國家，美國、英國、德國、日本、法國、中國，六國政府支持的公***領域的計劃，當時是覆蓋了大概人類基因組的86.8％。其中包含壹部分已經完成，就是我們剛才說的最終序列圖這樣標準的序列大概是20％多壹點點，然後66％左右的序列處於所謂的工作草圖這樣的階段。那麽也可以說，還沒有完成。因為我們說要達到90％以上，但是同時瑟拉爾他號稱他的覆蓋率已經超過了95％。當然他的覆蓋率其實包括了所有的公***領域的這個貢獻，再加上他的貢獻，所以兩者相加起來。我想我們應該相信大概90％以上的序列，都是被工作草圖以上的這樣壹個序列的質量所覆蓋著。我們看看公***領域測序計劃當時的情況，在24條染色體上分布的情況。我們知道，實際上1999年12月份，22號染色體作為人類最小的染色體之壹，它的全序列被測定，或者說是它的常染色體，指部分的全序列。我們註意到它的短臂這個地方，就是易染色體區域，實際上非常難測。因為都是大量的空序列，又沒有多少基因。2000年4月份21號染色體全序列完成了，也是同樣的定義，就是說常染色體的這個部分。我們看這裏是用深紅的顏色來表示，差不多就是最終完成的。而這種黃顏色表示的是我們剛才說的工作草圖，在大部分染色體區域，是工作草圖部分。實際上現在我們講的，完成人類基因組全序列的測定，都是指的常染色體部分，所以有的人說也許人類基因組序列永遠也不能被結束。
2001年2月15日，我們知道公***領域在《自然》上，都是有壹種分庭抗禮的，兵對兵、將對將的感覺。2月16號就登了瑟拉爾序列，顯然，經過新的壹輪角逐，比2000年6月份的時候，完成序列的質量又要高得很多。所以這樣的話，應該認為，兩家加在壹起的信息，應該說比我剛才說的壹般的定義又要進壹步了。所以就產生了壹個在工作草圖和最終完成圖之間的壹個中間狀態，這個中間狀態就叫做高質量的草圖。但是就是這樣壹個高質量的草圖，讓我們已經基本上知道我人體生命信息的家當到底有多大。弄到最後我們發現我們的家當好像還是比較可憐的，比我們原來的想像，因為我們的基因數量大概只有線蟲，只有900多個細胞的壹個生命體的大概壹倍左右，我們就比那麽壹個小蟲多壹倍。從低等生物到高等生物它的基因組的復雜度，與其說是由基因的數量來決定的，還不如說更主要的是由基因的長度來決定的。我們最近完成了壹個細菌的測序，叫鉤端螺旋體，可以引起傳染病的。它平均壹個KB就有壹個基因，這麽小的壹個東西，500萬個堿基對的壹個基因組，有5000個基因。我們人30億個堿基對，我們不過就3萬個，頂多接近4萬個這樣壹個數字。但是妳看到了酵母，到了真核細胞的話，那它就是平均大概5到10個KB壹個基因。然後到了果蠅的話，雖然它的基因數量好像還沒有線蟲的多。但是它的基因長度已經達到10個KB以上，然後到了哺乳類壹個基因，大概像人類現在是100多個KB才有壹個基因。所以替換、剪接這種可能性就大大增加了。另外跟時間和空間，也就是發育階段和組織特異性表達的調控相關這些序列復雜大大增加了。雖然基因在高等生物可以達到十的五次方數量級，幾萬到十萬個這樣的比較高等的生物。但是實際上它的蛋白質的結構域，實際上如果把基因組比成壹個大廈的話，組成這個大廈的預制件，這個數量實際上是比較有限的。那麽另外有壹些高級生物中有更為豐富的結構域組合，神經功能、組織特異發育、調控、止血和免疫系統的基因，在脊椎動物大量擴展。數以百計的人類基因源於脊椎動物進化過程中某個時間點上，細菌基因的橫向轉移。基因組在不同個體之間差異很大——單核苷酸多態性，單倍體的基因差異為1/1250，能夠導致蛋白質變異的不到1％。
這本遺傳天書，已經放在我們面前了，接下來就是要讀懂它。要讀懂它，壹定要從大的系統的概念來考慮怎麽樣讀懂。壹個這個基因組的信息，和外界的環境，是在那裏相互作用。另外這個基因組的信息不是從天上掉下來的，它是通過壹個漫長的幾十億年進化的過程發展過來的，所以要用比較的方法去讀它。另外要考慮到在個體之間和群體之間又是有變異的，這種變異也受到外界環境的壹些調節。所以功能基因組學的研究內容，雖然現在沒有壹個嚴格的定義，但是我個人認為，至少包括這幾個方面：人類基因組DNA序列變異性研究，其核心的內容是SNP，因為這是最常見的變異類型，當然還有很多其他的變異。然後基因組表達調控的研究，這個是發育階段組織器官的變異，然後模式生物體的研究，這個裏面包括進化的意思，和利用模式生物進行功能研究。當然從事所有這些研究，就像我們進行測序研究壹樣。生物信息學，它既是壹個基本的工具，又是壹個新興的學科。因為最後要把這些信息整合起來，搞成壹個我們所說的，系統生物學的話，妳壹定要用理論的手段，和大規模信息處理的手段。