背景
單倍劑量不足指一個(gè)等位基因突變或者缺失后后，另一個(gè)等位基因能正常表達(dá)，但這種基因表達(dá)翻譯后的蛋白水平只有正常的50%，不足以維持正常的生理功能，導(dǎo)致特定表型出現(xiàn)。導(dǎo)致單倍劑量不足的原因有多種，比如一個(gè)基因的拷貝發(fā)生缺失，或者突變導(dǎo)致不能產(chǎn)生正常的mRNA，或者特殊情況下mRNA或蛋白質(zhì)不穩(wěn)定導(dǎo)致降解等。單倍劑量不足現(xiàn)象是導(dǎo)致遺傳病發(fā)生的一個(gè)原因。哪些基因會(huì)發(fā)生單倍劑量不足呢？目前單倍劑量不足數(shù)據(jù)來源主要有3個(gè)方面：基于疾病的研究、生信軟件預(yù)測(cè)和高通量篩查。
/
一、基于疾病的研究
最直接的數(shù)據(jù)來源便是基于疾病的研究，典型的數(shù)據(jù)庫為OMIM數(shù)據(jù)庫。研究報(bào)道中顯示，在篩選出的299個(gè)人類單倍型劑量不足的基因中，有88個(gè)基因只在OMIM數(shù)據(jù)庫中顯示；94個(gè)基因只在文獻(xiàn)中進(jìn)行了報(bào)道；另外117個(gè)基因在OMIM與文獻(xiàn)中顯示了一致的結(jié)果。此外，有多個(gè)疾病數(shù)據(jù)庫都對(duì)單倍劑量不足有所記載（表1）。
表1. 搜集單倍劑量不足的數(shù)據(jù)庫
二、生信軟件預(yù)測(cè)
基于疾病的研究獲得的數(shù)據(jù)庫記錄范圍有限，為了滿足基因檢測(cè)的需要，使用一種覆蓋更全面的方法很有必要，因此從生物信息學(xué)的角度便產(chǎn)生了相應(yīng)的預(yù)測(cè)軟件。
最早單倍劑量不足預(yù)測(cè)工作的文獻(xiàn)發(fā)表于2010年，基本流程為：從數(shù)據(jù)庫中獲取相關(guān)基因及其特性；根據(jù)數(shù)據(jù)庫中搜集的存在單倍劑量不足的基因信息構(gòu)建訓(xùn)練模型；使用該模型掃描基因組中蛋白編碼基因預(yù)測(cè)單倍劑量不足基因（圖1）。
圖1. 單倍劑量不足基因預(yù)測(cè)模型
目前，已有多種單倍劑量不足預(yù)測(cè)方法，通過這些方法發(fā)現(xiàn)了很多潛在的相關(guān)基因（表2）。
表2. 單倍劑量不足基因預(yù)測(cè)模型
HIPred軟件的作者比較了7款相關(guān)軟件，結(jié)果顯示，該軟件各項(xiàng)指標(biāo)都顯示了最好的性能（表3）。
表3. 七款單倍劑量不足基因預(yù)測(cè)軟件性能比較
三、高通量篩查
模型預(yù)測(cè)的方法可以發(fā)現(xiàn)一些單倍劑量不足的基因，但是也存在一定的不足：預(yù)測(cè)結(jié)果受訓(xùn)練模型數(shù)據(jù)庫信息的影響。因此，高通量篩查的方法得到了廣泛應(yīng)用，常用技術(shù)手段為CRISPR。已有研究單位通過此方法對(duì)所有人類已知的基因進(jìn)行了研究。基本流程為：通過CRISPR對(duì)單倍體細(xì)胞文庫的指定基因進(jìn)行敲除；敲除后的細(xì)胞文庫與另一個(gè)未進(jìn)行敲除的單倍型細(xì)胞文庫融合；進(jìn)行細(xì)胞培養(yǎng)并檢查細(xì)胞活性（圖2）。
圖2. 基于CRISPR的單倍劑量不足基因鑒定流程
通過篩查，共篩選出650個(gè)比較重要的單倍劑量不足基因，包含之前已有的基因與新發(fā)現(xiàn)的基因，并且用于軟件預(yù)測(cè)模型建立的基因列表也存在于650個(gè)基因中，表明此方法具有較高的可靠性（圖3）。
圖3. 基于CRISPR方法篩選出來的650個(gè)單倍劑量不足基因
結(jié)論
單倍劑量不足現(xiàn)象是導(dǎo)致遺傳病發(fā)生的一個(gè)原因，我們可以通過數(shù)據(jù)庫查找、軟件預(yù)測(cè)、高通量篩查的方法判斷基因是否為單倍劑量不足，選擇合適的方法可以對(duì)基因及其致病性進(jìn)行解讀，判斷基因型對(duì)個(gè)體的影響。
參考文獻(xiàn)
(1) Dang, V . T., Kassahn, K. S., Marcos, A. E. & Ragan, M. A. Identification of human haploinsufficient genes and their genomic proximity to segmental duplications. Eur J Hum Genet 16, 1350–1357 (2008).
(2) Huang, N., Lee, I., Marcotte, E. M. & Hurles, M. E. Characterising and predicting haploinsufficiency in the human genome. PLoS Genet 6, e1001154 (2010).
(3) Steinberg, J., Honti, F., Meader, S. & Webber, C. Haploinsufficiency predictions without study bias. Nucleic Acids Res 43, e101 (2015).
(4) Huang, N., Lee, I., Marcotte, E. M. & Hurles, M. E. Characterising and predicting haploinsufficiency in the human genome. PLoS Genet 6, e1001154 (2010).
(5) Steinberg, J., Honti, F., Meader, S. & Webber, C. Haploinsufficiency predictions without study bias. Nucleic Acids Res 43, e101 (2015).
(6) Han X , Chen S , Flynn E D , et al. Distinct Epigenomic Patterns Are Associated with Haploinsufficiency and Predict Risk Genes of Developmental Disorders[J]. Cold Spring Harbor Laboratory, 2017(1).
(7) Shihab HA, Rogers MF, Campbell C, Gaunt TR. HIPred: an integrative approach to predicting haploinsufficient genes. Bioinformatics. 2017 Jun 15;33(12):1751-1757.
(8) Sarel-Gallily R, Golan-Lev T, Yilmaz A, Sagi I, Benvenisty N. Genome-wide analysis of haploinsufficiency in human embryonic stem cells. Cell Rep. 2022 Mar 29;38(13):110573.
