第二章 生物信息学基础：DNA序列、基因与变异的基本概念、人类基因组参考序列
聊SNP和分子动力学模拟之前，得先把底层的生物信息学概念夯实了。我见过不少做计算的同学，代码写得漂亮，但一遇到生物学概念就开始绕弯子。说白了，你不懂DNA怎么编的码，就看不懂变异怎么产生的。咱们这一章就把这些地基打好。
2.1 DNA序列：生命的四字母语言
DNA双螺旋结构大家中学都见过。它由四种核苷酸组成——A（腺嘌呤）、T（胸腺嘧啶）、G（鸟嘌呤）、C（胞嘧啶）。这四种碱基就是生命的“四字母代码”。A和T配对，C和G配对，这叫互补原则。
我刚开始做生物信息学项目时，总觉得把序列当成字符串处理就完事了。后来吃了个亏——处理全基因组比对时没考虑互补链的方向，结果跑了三天才发现全部错了。所以有件事得记牢：DNA链有方向，从5'端到3'端。绝大多数生物学流程都默认这个方向。
看看最基本的数据格式——FASTA。存DNA序列最常用的格式，几行就能搞定：
>基因标识符 描述信息
ATCGATCGATCGATCGATCG
ATCGATCGATCGATCGATCG
ATCGATCGATCGATCGATCG以>开头的那行是序列头，包含标识符和注释。后面是序列本身，通常每行60-80个碱基，便于阅读。
实际项目中，一个FASTA文件可能包含整条染色体，三亿多个碱基。别慌，计算机处理方式和处理普通字符串差别不大，只是内存开销比较大。
| 元素 | 符号 | 互补碱基 | 化学分类 |
|---|---|---|---|
| A | 腺嘌呤 | T | 嘌呤 |
| T | 胸腺嘧啶 | A | 嘧啶 |
| G | 鸟嘌呤 | C | 嘌呤 |
| C | 胞嘧啶 | G | 嘧啶 |
小技巧：处理DNA序列时，我习惯先把所有小写字母转为大写，避免后续比对出错。一行Python搞定：sequence = sequence.upper()。
2.2 基因与变异：从密码到突变
基因是什么？简单来说，就是一段能编码蛋白质或功能性RNA的DNA片段。人类基因组大约有两万个蛋白质编码基因，但只占不到2%的序列。其余98%是“非编码区”——过去叫“垃圾DNA”，现在我们知道里面藏着大量调控元件。
基因长什么样？结构很精妙——外显子（编码区）和内含子（非编码区）交替排列。转录时，先得到前体mRNA，内含子被剪接掉，外显子拼接成成熟的mRNA，再去翻译成蛋白质。
我曾在研究某个疾病相关基因时，发现一个变异正好落在内含子和外显子的交界处——剪接位点。这个位置一旦突变，整个剪接过程就会出问题。嗯，这种变异一般疾病关联性非常强。
变异嘛，就是DNA序列的改变。大致分这么几类：
- SNP（单核苷酸多态性）：单个碱基变了。最常见，约占总变异的90%。我们的重点。
- InDel（插入/缺失）：插进去或丢掉几个碱基。
- CNV（拷贝数变异）：某段DNA重复的次数变了。
- 结构变异：大段DNA颠倒、易位之类的。
SNP分两种场景：
- 同义突变：碱基变了，但密码子编码的氨基酸没变。这种变异通常不影响蛋白功能。
- 非同义突变：蛋白质序列直接变了。又细分为错义突变（换了一个氨基酸）和无义突变（直接变了个终止子，蛋白质截断）。
关键点：我们做SNP与MD动力学结合，重点关注的是非同义突变，尤其是那些落在蛋白功能域或活性位点附近的SNP。为什么？因为蛋白结构变了，动力学行为才会相应改变。
2.3 人类基因组参考序列：我们对比的“标尺”
说实话，没有参考基因组，我们根本没法检测变异。
人类基因组参考序列，是许多科研人员几十年努力的结晶。最早的版本来自人类基因组计划（2003年完成）。后来经过不断的修正、补洞、提升质量，现在最新的是GRCh38（也叫hg38）。每次更新会发布一个新的“补丁”版本——比如GRCh38.p14。
参考基因组不是某个具体人的基因组，而是一个“合成品”。它整合了十几个匿名捐献者的DNA，去除那些罕见的、致病性的变异后，拼接出来的一个代表性序列。
我刚开始做变异检测时，踩过一个坑：参考基因组版本不一致。我的注释流程用的是hg19，但同事提供的比对数据是用GRCh38建的索引。结果比对率从98%骤降到60%——对不上啊。那回之后，我养成了在项目文档里写明参考基因组版本的习惯。
主要版本的差异：
| 版本 | 发布年份 | 主要改进 |
|---|---|---|
| GRCh36 (hg18) | 2006 | 早期完整版本 |
| GRCh37 (hg19) | 2009 | 修复大量小错误，提升连续性 |
| GRCh38 (hg38) | 2013 | 增加替代序列(alt loci)，填补着丝粒缺口 |
| T2T-CHM13 | 2022 | 完整端粒到端粒，填补了所有缺口 |
T2T版本是里程碑式的进展——第一次真正意义上把人类基因组的每个碱基都读全了。但对于常规SNP检测项目，GRCh38仍是行业标准。
在实际分析中，参考基因组通常长这样：读取特定染色体上某个位置的碱基。
# 查看参考基因组中chr1前100个碱基（简化示例）
>chr1
NNNNNATTTCACTTTCATCAAAGCACAAAGCATCAA
TTATCACACTATGTGCTTGTCAGAGCTTCAGTCCT
AATATATTCAAATCAGTCCTCCATGCCCATCCTGCN代表未知碱基或高度重复的区域。一般数据分析时，遇到N要特别小心。
避坑指南：我曾经把N直接当成变异位点处理了——结果那一批次的结果全废了。记住：N不是变异，是组装时的缺口。如果在变异检测前不做过滤，你会得到一堆“假阳性”。
为什么会这样？因为比对软件会把测序读段硬往参考序列上贴。如果参考序列是N，测序数据是实实在在的A、T、C、G，就可能判为SNP。但事实是那个位置根本没测出来，N的置信度是最低的。
好了，掌握了这些基础概念，再看SNP数据时，就不会一头雾水了。下一步我们要把变异信息放到蛋白质结构上——这才是联动的关键。