Cell | 稀有k-mer揭示人类着丝粒的隐秘多样性：从群体进化到脑肿瘤染色体易位|丝粒|单倍型|变异|序列|脑肿瘤

撰文|eternallj

着丝粒是维持染色体正确分离的关键区域，其高度重复的 α-卫星 DNA 存在显著个体差异，可能与人类进化及肿瘤相关染色体重排有关。然而，受限于重复序列的比对与组装难度，着丝粒的遗传多样性及其疾病关联长期难以系统研究。如何利用常规短读长测序解析着丝粒变异，并揭示其与人类进化和疾病相关基因组不稳定性的联系，是该领域亟待解决的问题。

近日，日本国立癌症中心研究所Yuichi Shiraishi团队在Cell上发表了研究论文Rare k-mers reveal centromere haplogroups underlying human diversity and cancer translocations，提出了一种基于稀有 k-mer 的着丝粒单倍群识别策略，并开发了相应的计算分析框架 ascairn，将着丝粒结构变异研究拓展至大规模短读长全基因组测序数据，为理解人类着丝粒的进化历史及其在肿瘤染色体不稳定性中的作用提供了新的研究路径。

研究团队首先提出一个关键科学问题：在高度重复、难以通过传统序列比对方法分析的着丝粒核心区域，是否存在能够反映其遗传谱系的序列标记，并且这些标记能否在不依赖高覆盖度长读长测序的情况下，帮助研究者重建不同个体的着丝粒结构及其进化关系？为回答这一问题，研究团队首先聚焦于与着丝粒功能密切相关的活性 α-卫星高阶重复阵列（active α-satellite higher-order repeat arrays，aHOR arrays）。这类阵列由约171 bp的 α-卫星单体重复组成，通过不同的重复排列形成更高阶的结构，其中与 CENP-A 相关联的区域参与着丝粒功能性身份的建立，并与动粒附着密切相关。尽管不同个体的 aHOR 阵列具有较高的序列相似性，其重复单元的排列方式、阵列长度、结构变异以及动粒附着区域的位置仍然存在明显差异。传统方法难以在这些复杂重复序列之间建立可靠的统一比对，因此，研究团队没有沿用完全依赖参考基因组比对的分析思路，而是转向寻找能够在序列层面区分不同着丝粒单倍型的稀有k-mer。所谓 k-mer，是指长度为 k 的连续核苷酸序列。本研究将长度为27 bp、在单个 aHOR 单倍型序列中仅出现一次或两次的短序列定义为稀有 k-mer，并进一步排除跨不同染色体共享的序列，以及可能源于测序或组装错误的候选标记。研究团队首先利用来自118名个体的染色体级单倍型组装数据，建立了包含2957个 aHOR 单倍型的参考面板，随后在全部染色体中识别出465,406个稀有 k-mer。结果提示，尽管着丝粒内部的重复序列高度相似，这些稀有短序列仍然能够捕捉不同单倍型之间具有谱系特征的细微差异；而且，阵列内部稀有 k-mer 的频率总体较低，与其所代表的部分序列变异可能具有相对较新的群体演化历史相一致。

进一步分析发现，基于稀有 k-mer 的分布模式，不同染色体上的 aHOR 单倍型可以被聚类为具有不同遗传特征的着丝粒单倍群（aHOR haplogroups，aHOR-HGs）。研究在不同染色体上识别出3至16个单倍群，中位数为8个。值得注意的是，这种聚类并不是直接依据已知的倒位、插入或高阶重复排列模式完成的，而是仅根据稀有 k-mer 的存在与缺失关系进行分组，却仍然能够在相当程度上区分不同的结构特征。这说明稀有 k-mer 不仅是用于区分序列的标记，还能够间接反映着丝粒重复阵列长期演化过程中积累的结构信息。为了验证这些单倍群是否确实具有明确的进化意义，研究团队进一步分析了染色体1和染色体19上的典型结构变异。在染色体1的 D1Z7 阵列中，研究发现，具有大型倒位的多个单倍型共享相同的倒位连接序列，提示这些结构可能源于共同的祖先事件；但在这一共同结构背景之上，不同单倍型又进一步分化为相互关联、但并不完全相同的单倍群。在染色体19的 D19Z3 阵列中，部分单倍型则共享了由非活性高阶重复序列插入形成的特征性结构，其一致的连接序列同样支持共同祖先事件的解释。研究还观察到，不同单倍群与特定的重复单元组成及其他结构变异相联系。由此，研究团队将稀有 k-mer 所揭示的序列差异与可观察的着丝粒结构变异对应起来，支持这些单倍群代表具有不同演化历史的着丝粒谱系，而不是单纯由随机序列差异形成的分类。

对于这项研究而言，更重要的问题是：既然稀有 k-mer 能够反映着丝粒的结构与谱系，那么能否进一步利用常规短读长全基因组测序数据，直接推断个体的着丝粒单倍群？为此，研究团队开发了名为 ascairn 的概率推断框架。该方法从个体短读长全基因组测序数据中提取稀有 k-mer 的计数特征，并结合参考单倍型面板，通过分层概率模型推断最有可能解释观测数据的着丝粒单倍群组合，同时选择与个体真实着丝粒结构最接近的参考单倍型作为代理序列。这里需要强调的是，代理单倍型并不等同于对个体着丝粒进行完全无误的逐碱基重建，而是为后续结构特征分析提供最接近的参考依据。研究团队通过留一法交叉验证评估 ascairn 的性能。在具有匹配短读长测序数据和二倍体单倍型组装数据的样本中，着丝粒单倍群组合的推断准确率在不同染色体间为80.7%–100%，中位数为92.7%。当测序覆盖度降低至5×时，各染色体的中位推断准确率仍约为90%；在1×覆盖度下，中位准确率约为86%。此外，研究利用519组三人家系数据评估遗传传递的一致性，在完整覆盖度下，单倍群推断结果的孟德尔一致率达到97.7%，在5×覆盖度下仍达到96.4%。这些结果提示，稀有 k-mer 策略并不局限于高质量长读长组装数据所构建的参考面板，而是具有向常规短读长全基因组测序数据推广的潜力。不过，研究同时显示，代理单倍型的选择准确率和阵列长度估计的可靠性仍受到参考面板覆盖程度及代理序列与真实单倍型相似性的影响。因此，ascairn 的重要价值在于为大规模人群研究提供一种可行的推断框架，而不是意味着所有个体的复杂着丝粒结构都已能够被精确还原。

在建立方法学框架之后，研究团队将 ascairn 应用于两个大型人类基因组数据集，包括1000 Genomes Project的2504个个体，以及人类基因组多样性计划（Human Genome Diversity Project，HGDP）的828个个体，从而系统考察不同人群之间的着丝粒单倍群分布。结果显示，着丝粒单倍群在全球人群中具有显著的分布差异，部分单倍群主要见于特定人群，而另一些则在不同人群之间广泛共享。总体而言，非洲人群表现出更高的着丝粒序列多样性及更丰富的单倍群组成，这与现代人群起源及迁徙历史的相关研究相一致。

研究团队进一步利用具有共同结构变异的单倍群，追踪可能的祖先事件及其后续分化。例如，染色体1上与大型倒位相关的单倍群虽然共享相同的祖先结构特征，却在现代不同人群中呈现不同的分布模式；染色体19上具有非活性高阶重复序列插入的单倍群，也表现出明显的地理分布差异。研究据此提出，这些着丝粒单倍群不仅保留了重复序列自身的演化痕迹，还可能记录人群分化、迁徙及祖先结构变异传播的历史。这部分研究的意义在于，着丝粒不再只是一个因重复序列复杂而难以研究的基因组区域，而是可以通过其内部遗传标记，成为研究人类群体历史的另一类信息来源。与线粒体 DNA 或 Y 染色体的单倍群研究类似，着丝粒单倍群为理解人类遗传多样性提供了新的观察维度。不过，着丝粒单倍群所反映的谱系与群体历史仍需结合其他遗传学证据加以解释，不能仅凭某个单倍群的现代地理分布，就将其直接等同于确定的迁徙路线或具体历史事件。

在完成群体遗传学分析后，研究团队进一步提出一个与疾病机制直接相关的问题：着丝粒结构差异是否不仅记录人类进化历史，还可能影响疾病相关染色体重排的发生倾向？研究将关注点转向异柠檬酸脱氢酶（IDH）突变型少突胶质细胞瘤（oligodendroglioma）中具有代表性的1p/19q共缺失。这一染色体异常与衍生染色体 der(1;19)(q10;p10) 相关，其形成涉及染色体1和染色体19着丝粒区域的重排。由于两个着丝粒阵列具有高度相似的重复序列，传统测序分析难以精确确定重排断点的位置，因此，其具体形成机制及着丝粒结构在其中的作用仍有待进一步阐明。研究团队首先利用TCGA队列中142例携带相关染色体重排的少突胶质细胞瘤病例，结合匹配的非肿瘤样本短读长全基因组测序数据，推断患者染色体1和染色体19的着丝粒单倍群及其代理单倍型。通过识别能够区分同一患者两条同源染色体的等位基因特异性稀有 k-mer，并比较肿瘤与正常样本中的相应序列计数变化，研究团队得以推断重排等位基因及其断点区域。结果显示，在可评估的样本中，相关断点均定位于染色体1的 D1Z7 或染色体19的 D19Z3 活性高阶重复阵列内部，提示着丝粒核心重复阵列本身是这一类染色体重排的重要发生区域。进一步分析发现，重排断点与着丝粒功能区域之间存在明确的空间关系。研究团队依据着丝粒低甲基化区域（centromere dip region，CDR）推断动粒附着相关区域的位置，发现染色体1的 D1Z7 阵列中，断点主要位于 CDR 的 p 臂侧；染色体19的 D19Z3 阵列中，断点则主要位于 CDR 的 q 臂侧。在相应的可评估断点中，这一分布分别见于90/103例和87/119例。研究团队据此提出一种可能的重排机制：同源重组产生的衍生染色体倾向于保留来自两条亲本染色体的动粒附着相关区域，而缺失这些区域的另一条衍生染色体则可能在后续细胞分裂过程中丢失，从而形成1p/19q共缺失。

为了进一步验证短读长数据所推断的断点位置，研究团队对两例手术获取的少突胶质细胞瘤样本进行了长读长测序和着丝粒序列组装，并结合Hi-C等数据进行分析。结果进一步支持染色体1和染色体19的重排发生于各自的活性高阶重复阵列内部，并在所研究的两个病例中将断点相关序列解析至单核苷酸分辨率。研究团队还观察到，重排可以发生在同一类重复单体之间，并形成长度符合典型单体大小或具有非典型长度的融合单体。与此同时，肿瘤样本中的CENP-A富集信号主要位于染色体1来源的区域，提示该区域在所分析的肿瘤中可能承担主要的着丝粒活性。需要注意的是，这部分长读长验证仅涉及两个病例，尚不足以确定所有此类肿瘤中的着丝粒活性模式是否完全相同。这构成了本研究最重要的发现之一：着丝粒内部的结构差异不仅能够用于追溯遗传谱系，还可能与特定染色体重排的发生倾向直接相关。为了进一步检验这种关联，研究团队提出了断点易感区域（breakpoint-susceptible region，BSR）的概念，即从动粒附着相关区域延伸至在1p/19q共缺失过程中可能丢失的染色体臂一侧的区域。不同着丝粒单倍群由于阵列长度和 CDR 相对位置不同，其 BSR 大小也存在差异。研究发现，在同一患者的两条同源染色体之间，具有较大 BSR 的单倍型更容易成为发生相关重排的等位基因；这一关联在染色体1和染色体19上均具有统计学意义。进一步基于 Bradley–Terry 模型的分析也显示，不同着丝粒单倍群的重排倾向存在差异，而且这种倾向与平均 BSR 大小呈显著相关。结果提示，着丝粒结构可能通过改变断点易感区域的大小，影响染色体发生特定重排的相对概率。换言之，即使两条同源染色体具有相同的基本功能，其着丝粒阵列的结构差异仍可能使它们在肿瘤发生过程中表现出不同的重排易感性。值得注意的是，这项研究揭示的是着丝粒单倍群、结构特征与重排倾向之间的关联，并为潜在机制提供了支持，但尚不能据此断言 BSR 大小是决定肿瘤发生或1p/19q共缺失的唯一因素，也不能直接将这些发现转化为个体层面的临床风险预测工具。

总结来说，这项研究最大的贡献在于，研究团队建立了一条从着丝粒内部序列变异识别、单倍群推断、人类群体进化分析，到肿瘤相关染色体重排机制研究的完整分析路径。通过稀有 k-mer 与 ascairn，原本难以利用常规短读长测序系统研究的着丝粒核心区域，首次获得了适用于大规模人群分析的单倍群分类框架，并进一步揭示了着丝粒结构多样性与1p/19q共缺失易感性之间的关联。从研究设计来看，其价值不仅在于提出了一种新的生物信息学方法，更在于利用这一方法将基础基因组学问题与具有明确病理学意义的染色体异常联系起来。当然，研究仍存在需要进一步验证的方面，包括参考单倍型面板对不同人群的覆盖程度、复杂着丝粒结构的代理推断精度，以及临床肿瘤队列中重排易感性关联的外部验证。尤其是从染色体结构差异到肿瘤发生风险之间，仍需要更大规模的队列和功能实验进一步厘清因果关系。

这项研究也有着重要的临床意义：随着完整基因组组装资源的不断扩充，以及长读长测序、表观遗传学和肿瘤基因组学研究的深入结合，着丝粒有望从长期被忽视的基因组重复区域，逐步成为理解人类遗传多样性、染色体稳定性与疾病发生机制的重要研究对象。

综上，通过基于稀有 k-mer 变异定义着丝粒单倍群，该研究揭示了着丝粒中广泛存在的隐性遗传多样性，并将着丝粒结构与人类进化及疾病相关的基因组不稳定性联系起来。

原文链接：https://doi.org/10.1016/j.cell.2026.08.053

制版人：十一

学术合作组织

（*排名不分先后）