首个端到端完整的人类基因组已发表。
人类基因组于2003年绘制完成，但由于缺乏可用的测序技术，科学家当时无法纳入全部遗传信息。
这些尚未揭示的重复区域如今终于首次得到全面研究——完整且无缺口的人类基因组是研究人员不可多得的资源。
当人类基因组计划于2003年宣布完成首个人类基因组时，这是一个具有里程碑意义的成就——人类生命的DNA蓝图首次得以揭示。但这项成果也有局限：他们实际上无法拼接出基因组中的全部遗传信息。基因组中存在缺口：一些未填补的区域往往包含重复序列，难以理清并拼接起来。
随着能够处理这些重复序列的技术不断进步，科学家终于在2021年5月填补了这些缺口，首个端到端完整的人类基因组也于2022年3月31日正式发表。
我是一名基因组生物学家，研究重复DNA序列及其在进化史上如何塑造基因组。我曾参与一个团队，协助鉴定基因组中缺失的重复序列。如今，有了真正完整的人类基因组，这些此前未揭示的重复区域终于首次得到全面研究。
人类基因组
德国植物学家汉斯·温克勒于1920年创造了“基因组”一词，将“基因”与后缀“-组”（意为“完整集合”）结合起来，用以描述每个细胞中包含的完整DNA序列。一个世纪后的今天，研究人员仍用这个词指称构成生物体的遗传物质。
描述基因组的一种方式，是把它比作一本参考书。在这个比喻中，基因组是一部汇集生命DNA指令的文集。它由大量核苷酸（字母）组成，这些核苷酸被包装成染色体（章节）。每条染色体都包含基因（段落）；基因是DNA上的一些区域，编码使生物体得以正常运作的特定蛋白质。
每种生物都有基因组，但基因组大小因物种而异。大象使用的遗传信息形式，与它吃的草以及肠道中的细菌所使用的相同。不过，没有两个基因组完全相同。有些基因组很短，例如寄居在昆虫体内的细菌Nasuia deltocephalinicola，仅有137个基因，分布在11.2万个核苷酸中。有些则极其漫长，例如开花植物Paris japonica，其基因组含有1490亿个核苷酸，以至于很难弄清其中包含多少基因。
然而，按照传统理解，基因是编码蛋白质的DNA片段，只占生物体基因组的一小部分。事实上，它们仅占人类DNA的不到2%。
人类基因组约含30亿个核苷酸，编码蛋白质的基因略少于2万个——估计占基因组总长度的1%。其余99%是不会产生蛋白质的非编码DNA序列。其中一些是调控成分，像控制台一样调节其他基因的运作。另一些则是假基因，也就是已经失去功能的基因组遗迹。
而且，超过一半的人类基因组由重复序列构成，包含多个近乎相同的序列副本。
什么是重复DNA？
最简单的重复DNA形式，是一段段首尾相连、反复出现的DNA区块，称为卫星DNA。卫星DNA的含量因人而异，但这类序列通常集中在染色体末端附近的区域，称为端粒。这些区域可在DNA复制过程中保护染色体免遭降解。它们也存在于染色体的着丝粒中；着丝粒有助于细胞分裂时保持遗传信息完整。
研究人员仍未全面了解卫星DNA的所有功能。但由于卫星DNA会在每个人身上形成独特的模式，法医生物学家和家谱研究者会利用这种基因组“指纹”比对犯罪现场样本、追踪祖源。包括亨廷顿病在内，已有50多种遗传疾病与卫星DNA的变异有关。
另一种常见的重复DNA是转座元件，也就是能够在基因组中移动的序列。
一些科学家称它们为自私DNA，因为它们可以不顾后果地插入基因组的任何位置。随着人类基因组演化，许多转座序列积累了突变，抑制了自身移动的能力，从而避免造成有害干扰。不过，其中一些可能仍能移动。例如，转座元件插入与多起甲型血友病病例有关，这是一种遗传性出血疾病。
但转座元件并非只会造成干扰。它们也可能具有调控功能，帮助控制其他DNA序列的表达。当它们集中在着丝粒中时，还可能帮助维持对细胞生存至关重要的基因的完整性。
它们也可能推动进化。研究人员最近发现，转座元件插入一个对发育至关重要的基因，或许是包括人类在内的一些灵长类动物不再有尾巴的原因。转座元件引发的染色体重排，甚至与新物种的形成有关，例如东南亚的长臂猿和澳大利亚的沙袋鼠。
拼合人类基因组这幅拼图
直到最近，这些复杂区域中的许多还如同月球背面：人们知道它们存在，却看不到它们。
当人类基因组计划于1990年启动时，技术限制使人们无法完整揭示基因组中的重复区域。当时可用的测序技术一次只能读取约500个核苷酸，而且这些短片段必须相互重叠，才能重建完整序列。研究人员利用这些重叠片段识别序列中的下一个核苷酸，一次拼接一个片段，逐步延伸基因组组装序列。
这些重复序列形成的缺口区域，就像拼一幅由1000块拼图组成的阴云天空：每块拼图看起来都一样，怎么知道一朵云从哪里开始、另一朵云在哪里结束？许多位置都存在近乎相同、彼此重叠的片段，使得逐段完成基因组测序变得不可行。数百万个核苷酸仍隐藏在第一版人类基因组中。
此后，研究人员通过不断补入序列片段，逐步填补人类基因组中的缺口。2021年，端粒到端粒（T2T）联盟——一个致力于从头到尾完成人类基因组组装的国际科学家联盟——宣布，所有剩余缺口都已终于填补完毕。
这得益于测序技术的改进，新技术能够读取更长的序列，长度可达数千个核苷酸。掌握更多信息后，研究人员得以在更大的整体背景中定位重复序列，从而更容易确定它们在基因组中的准确位置。这就像把一幅1000块拼图简化为100块，长读长序列使研究人员首次能够组装大型重复区域。
随着长读长DNA测序技术日益强大，遗传学家得以开启基因组学的新时代，首次在不同人群和物种中厘清复杂的重复序列。完整且无缺口的人类基因组也为研究人员提供了宝贵资源，帮助他们研究影响遗传结构与变异、物种进化和人类健康的重复区域。
但一个完整基因组无法涵盖一切。研究人员仍在努力建立多样化的基因组参考序列，以全面代表人类群体和地球上的生命。随着端粒到端粒的基因组参考序列日益完整，科学家对DNA中重复序列这片“暗物质”的理解也将更加清晰。
