Nucleic Acids Research
DNA shape and epigenomics distinguish the mechanistic origin of human genomic structural variations

小赛推荐：

本文系统分析了长读长基因组测序数据，结合DNA形状和表观遗传特征，深入探讨了结构变异（SV）的修复机制，尤其是同源重组相关的变异特征。通过无监督机器学习模型进一步细化SV分类，并揭示了不同SV类别在进化重组率和组蛋白修饰上的差异，为理解基因组结构变异的起源和机制提供了新的视角。

 

文献概述
本文《DNA shape and epigenomics distinguish the mechanistic origin of human genomic structural variations》发表于《Nucleic Acids Research》杂志，回顾并总结了人类基因组结构变异（SV）的起源机制，特别是基于同源重组的修复路径。文章通过整合多种长读长和短读长基因组测序数据，系统分析了SV的基因组分布、序列特征、表观遗传修饰及其与DNA修复机制的关系，为结构变异的研究提供了高质量的分类工具和机制洞察。

背景知识
结构变异（SV）是基因组中长度超过50 bp的插入、缺失、倒位或易位等变异类型，相比SNV和INDEL，其在基因组中的功能影响更为广泛，且与多种疾病相关。目前，基于短读长测序技术在SV检测中存在局限，而长读长测序（lrWGS）技术则显著提升了SV的鉴定精度。本文研究基于这些高质量SV目录，结合机器学习方法，系统分析了SV在DNA形状、表观遗传、复制时序等特征上的差异，揭示了同源重组修复（HR-like）与非同源末端连接（NHEJ）在SV生成中的不同作用机制。研究还进一步分析了组蛋白修饰H3K27me3在不同疾病群体中的差异，为SV的致病机制和临床研究提供了新的分子标记。

 

提供高通量基因组学研究中常用细胞模型的构建与分析服务，包括基因编辑、表达调控、表型分析等，助力DNA损伤与修复相关研究。

了解更多

 

研究方法与实验
研究团队利用HGSVC2、1KG-ONT和1KG项目中的结构变异数据，结合BLAST进行局部同源比对，将SV分为高局部同源（HLH）、中间同源（ILH）、无同源（NLH）和未定义（Undefined）四类。随后，他们采用基于主动学习的无监督聚类模型（HDBSCAN），进一步细化这些SV类别，并通过Z-score标准化评估SV特征的极端性。此外，研究还整合了多种基因组注释数据，包括GC含量、DNA形状（MGW、HelT、ProT等）、表观遗传修饰（ChIP-Seq）、复制时序（Repli-seq）等，分析不同SV类别的富集或缺失模式。最后，研究通过比较健康个体与罕见病患者中的SV分布，揭示了H3K27me3修饰在不同变异类型中的差异。

关键结论与观点

• HLH SVs在基因组中占比7.6%（HGSVC2数据），与高GC含量、低变异的丙二螺旋扭转（ProT）特征相关，提示这些区域DNA结构更稳定，有利于同源重组修复。
• HLH SVs在染色质异染色质区域富集，而ILH和NLH SVs则更多分布于转录活跃区域，提示不同修复机制的区域偏好性。
• SV富集分析显示，HLH SVs在基因组重复区域（如SDs）显著富集，而NLH SVs则在基因功能区（如CDS）中被负向选择，提示其在基因功能区更易引发有害突变。
• 无监督聚类模型进一步区分出两类SV（CI_HD 和 CII_nHD），其中CI_HD SVs显示出更强的祖先重组信号，提示其在进化过程中更保守。
• 在罕见病队列中，研究发现H3K27me3修饰在de novo SV中存在显著差异，提示该组蛋白修饰可作为SV致病性评估的潜在生物标志物。
• 研究还发现HLH SVs与基因组折叠变化（如A/B区室切换）相关，进一步支持其在基因组三维结构中的功能影响。

研究意义与展望
该研究通过整合基因组、表观基因组与DNA形状特征，建立了更全面的SV分类体系，并揭示了不同修复机制在基因组上的分布特征。这些结果不仅有助于理解SV的起源机制，也为临床基因组分析和精准医学提供了新的分子标记。未来，该方法可用于更多人群和疾病队列的SV机制研究，并可能扩展至癌症基因组学，用于识别驱动突变与修复缺陷相关性。

 

提供基因组结构变异相关疾病模型的构建与药效评估服务，涵盖神经退行性疾病、代谢病、肿瘤等多种模型，支持个性化实验方案设计。

了解更多

 

结语
本文通过对结构变异的系统分析，揭示了DNA形状、局部表观修饰及修复机制的复杂关系。HLH SVs与高水平的局部DNA甲基化和稳定的DNA形状特征相关，而NLH SVs则与低甲基化、高组蛋白H3K27me3修饰相关。这些特征为SV的致病机制提供了潜在解释，并可能在临床基因组学中用于区分遗传性与新生变异。此外，研究还表明，结合无监督机器学习方法可有效区分SV类别，为基因组学研究提供新的分析工具。

 

Nadejda B Boev, Mark B Gerstein, and Sushant Kumar. DNA shape and epigenomics distinguish the mechanistic origin of human genomic structural variations. Nucleic Acids Research.