📚 课程目录第3章目标区域注释与功能优先级排序

3. 目标区域注释与功能优先级排序

靶向测序的“靶”并不是简单的一段基因组坐标，而是带有功能语义的元件集合。设计 panel 时，如果只按基因外显子坐标取区间，往往会漏掉剪接位点、调控元件或致病变异富集的内含子区；反之，如果无差别地把整个基因位点都纳入，又会造成捕获效率下降、成本上升和数据分析负担。因此，本节的核心任务是：把基因组区间转化为带注释、带证据、带优先级的功能元件清单，再据此决定哪些区域必须高深度覆盖、哪些可以适度放宽、哪些应当舍弃。

一、元件注释的来源与层级

目标区域注释通常来自多个层级的数据源，不同来源的可靠性和适用场景不同。最基础的是基因结构注释，如 RefSeq、GENCODE、Ensembl，它们提供外显子、内含子、UTR、CDS 的精确边界，是编码区设计的起点。第二层是调控元件注释，包括 ENCODE 的 cCREs、Roadmap Epigenomics 的染色质状态、FANTOM5 的增强子/启动子图谱，以及 ATAC-seq、H3K27ac、H3K4me3 等实验信号。第三层是变异与致病性数据库，如 ClinVar、OMIM、HGMD、gnomAD、dbSNP，它们回答“这个区域是否真的携带过致病或高频变异”。第四层是临床指南与专家共识，例如 ACMG/AMP 分级、ACMG SF 次要发现基因列表，它们决定区域是否具有明确的临床可报告性。

这些来源并非平级。实际工作中建议按“临床证据 > 变异数据库 > 基因结构 > 调控预测”的顺序建立证据权重，避免被大量低置信度预测信号淹没。

二、功能元件的优先级划分

把注释落到设计层面，需要给每类元件一个可操作的优先级。下面给出一个适用于遗传病 panel 的参考分级，实际项目可根据疾病类型调整。

优先级	元件类型	典型覆盖要求	取舍策略
P0	CDS、剪接供体/受体位点（±1~2 bp）、已知致病变异位点	≥99% 区域 ≥30×，变异位点 ≥50×	必须纳入，不可裁剪
P1	剪接区扩展（外显子±10~20 bp）、UTR、启动子核心区（TSS±500 bp）	≥95% 区域 ≥20×	优先纳入，可接受轻微覆盖波动
P2	增强子、沉默子、内含子深部调控区、miRNA 结合位点	≥80% 区域 ≥10×	按证据强度选择性纳入
P3	低证据预测调控区、重复序列、旁系同源区	不设硬性覆盖	通常舍弃或仅作背景观察

需要强调的是，剪接位点不能只取经典 GT-AG 二碱基。实际致病变异常出现在外显子末端 1~3 bp 或内含子 3~8 bp 的“隐蔽剪接区”，因此建议将外显子边界向外扩展 10~20 bp 纳入 P1，而不是只标注 ±2 bp。

三、区域优先级打分与取舍

当候选区域数量超过 panel 容量时，需要一套可复现的打分规则。一个实用的做法是给每个区域计算综合得分：

Score = w1 × 临床证据等级
      + w2 × 变异数据库支持度
      + w3 × 元件功能重要性
      + w4 × 覆盖可行性
      - w5 × 重复/同源惩罚

其中权重可根据项目目标设定。例如，以孟德尔遗传病诊断为目标时，w1 和 w2 应占主导；以肿瘤伴随诊断为目标时，应提高已知热点区域和耐药位点的权重。覆盖可行性一项常被忽略：如果某区域 GC 含量极高或存在长同源重复，即使功能重要，也可能因捕获效率低而无法稳定达到深度要求，此时应评估是否改用补充探针或长读长方案，而不是强行纳入。

实操建议：对每个 P0/P1 区域，至少记录“来源数据库、证据类型、覆盖目标、探针设计备注”四个字段。这样在后续复盘或 panel 升级时，可以快速定位某个区域为何被纳入或被舍弃。

四、从注释到设计决策的完整链路

下面这张图展示了从多源注释到最终区域清单的整合逻辑。它强调的不是线性步骤，而是证据汇入、优先级判定、取舍决策三者之间的关系：临床与变异证据决定“必须保留什么”，功能注释决定“值得扩展什么”，覆盖可行性决定“实际能保留什么”。

五、取舍策略中的常见误区

第一个误区是把“有注释”等同于“有功能”。ENCODE 的 cCREs 覆盖数百万个区域，其中大量属于细胞类型特异性或低置信度预测，直接全部纳入会让 panel 膨胀数倍。正确做法是叠加 ClinVar 致病变异、OMIM 基因关联和疾病相关组织特异性信号，只保留有交叉证据的调控区。

第二个误区是忽略剪接位点的扩展范围。经典 ±2 bp 只能捕获最典型的 GT-AG 变异，而外显子末端同义变异、内含子深部变异都可能通过影响剪接致病。建议对已知剪接相关基因，将外显子边界向外扩展至 20 bp，并在探针设计中避免跨越剪接边界的重复序列。

第三个误区是不做覆盖可行性预判。某些 P0 区域位于 GC 含量超过 75% 或存在长同源重复的片段，标准杂交捕获效率可能低于 50%。此时应在设计阶段就标记为“高风险区域”，考虑增加探针密度、使用去重复封闭试剂，或改用扩增子补充方案，而不是等到测序后才发现覆盖不足。

注意：优先级排序不是一次性工作。随着 ClinVar 更新、新致病基因发现和 panel 应用场景变化，原本的 P2 区域可能升级为 P0，原本舍弃的区域也可能因新证据被重新纳入。建议每次 panel 升级时重新跑一遍注释整合与打分流程，并保留历史版本以便追溯。

六、一个可复用的区域清单字段示例

为了让注释和优先级真正可执行，建议最终输出一张区域清单表，至少包含以下字段：区域编号、染色体坐标、元件类型、优先级、证据来源、覆盖目标、探针备注、是否纳入。下面给出一个示例行，实际项目中可按此结构批量填写。

region_id: BRCA1_exon10_splice
chr: chr17
start-end: 43093400-43093520
element_type: CDS + splice_donor
priority: P0
evidence: RefSeq NM_007294 + ClinVar pathogenic + ACMG
coverage_target: ≥50×
probe_note: 避免跨越同源重复，增加3条重叠探针
include: yes

这张清单既是设计输入，也是后续质控和复盘的依据。当测序结果显示某个 P0 区域覆盖不足时，可以直接回溯到探针备注和证据来源，判断是设计问题、捕获问题还是样本问题，从而形成“注释—设计—测序—复盘”的闭环。