中心法则与 DNA 测序原理：从祖传食谱到数字读谱

可视化演示

展示中心法则DNA转录翻译流程、Illumina边合成边测序、Nanopore纳米孔电信号测序三大核心机制。

中心法则概述

保险柜里的《祖传食谱》由两条纸带互相缠绕而成，每条纸带都以 A、C、G、T 四种符号书写，而且两条链的符号严格互补：A 对面一定贴着 T，G 对面一定贴着 C——就像拉链的两排齿，只有匹配的齿形才能咬合。这套“字母互补”规则就是 DNA 双螺旋的根基，也是之后一切复制与测序技术的起点。

中心法则刻画的是遗传信息的“主流程”：食谱总册（DNA）先被抄成携带指令的便利贴（mRNA），便利贴再被厨房师傅翻译成一道道菜（蛋白质）。大多数时候信息这样单向流动，所以叫作“法则”。而 DNA 复制是另一条独立流程：把拉链拉开，每条旧链都作为模板补出新的互补链，得到两条一模一样的双链——这是“半保留复制”，保证代代相传不失真。

回到面馆的比喻：你不需要把整本食谱背进厨房，只需一张便利贴和一位靠谱师傅。中心法则就是“抄写—传递—做菜”这条流水线，测序仪则是在流水线的源头帮你把原谱逐字数字化。

转录与翻译

便利贴要能用，得先经过“编辑”。转录时，RNA 聚合酶沿 DNA 模板往前走，合成出前体 mRNA（pre-mRNA）。但这份草稿里混着大量“批注和备选步骤”——内含子，它们不会参与做菜，必须被剪掉。剪接完成后，细胞还会给便利贴加上“5' 帽”和“3' 尾巴”，像贴上一层防水膜，防止便利贴被厨房里的酶降解。

翻译是“三字口令”系统：核糖体每次读三个核苷酸，也就是一个密码子，对应一种氨基酸。起始密码子 AUG 像喊“开火”，终止密码子 UAA/UAG/UGA 像喊“关火”。tRNA 是送货员，认得出口令并把对应氨基酸运到灶台。整个过程可以用一个简单的关系估算：理论上能做出多长的氨基酸链，取决于便利贴上有多少个字母。

把整条流水线想清楚后你会发现：食谱的“文字”和菜的“味道”之间隔着一层密码子翻译。这也是为什么一个碱基的错字（点突变）就可能让整道菜变味——这正是后面变异检测要抓的关键。

Illumina 测序

林记面馆要数字化食谱，买回一台“闪光复印机”。它不能直接扫描整本书，必须先把菜谱切成几万段小句子（片段化），再给每段缝上通用的“魔术贴搭扣”（接头），这就是文库构建。接着，这些小句子被放到一块玻璃板上，每一条都原地复制成上百份，像一个小型复印簇——桥式扩增。为什么要复制这么多份？因为一次闪光太微弱，需要一群相同的模板同时发光，相机才拍得清楚。

真正的魔法在“边合成边测序”（Sequencing by Synthesis，SBS）：机器每次只往反应池里加一种带特殊荧光基团的碱基，DNA 聚合酶每接上一个碱基就停住，这个碱基会发出它专属颜色的光。相机“咔嚓”拍一张，软件记录下玻璃板上每个簇的颜色，然后切掉荧光基团，进入下一轮。一轮一个碱基，几十亿个簇同时进行，最终把所有彩色照片拼成每个簇的序列。这就是“闪光复印机”名字的由来。

有趣的是，闪光复印机越往后拍越容易模糊：荧光信号衰减、簇之间不同步（相位滞后），所以一条读段的尾部 Q 值往往越来越低。这也是为什么 Illumina 的读长普遍较短，大约 150~300 个碱基，不宜贪长。

Nanopore 测序

如果闪光复印机是“边抄边拍”，那 Nanopore 就是“穿孔拉面”。这回不需要把菜谱切碎，而是把一整根长长的 DNA 面条从汤里捞出来，由马达蛋白稳稳地拉着它穿过一枚“迷你甜甜圈”——纳米孔道。这个孔只容单链 DNA 通过，孔两端加上电压，离子电流持续从孔中流过。

不同碱基像粗细不同的绳结：A、C、G、T 经过孔道时，对电流的阻挡程度各不相同，于是电流波形出现细微而规律的波动。测序仪里的 AI 碱基识别器（basecaller）实时把这些波形翻译成碱基字母。因为“面条”可以很长，Nanopore 的读长动辄几十 kb 甚至上百 kb；又因为是物理读谱而非逐轮拍照，数据边测边出，适合现场实时分析。

回到面馆：拉面测孔仪最大的魅力是“一整根不切”。当菜谱里出现大段重复的绕口令（重复序列），闪光复印机很难把碎片拼回原位，而拉面测孔仪一拉到底，轻松看清全貌。

测序数据分析

无论哪种读谱机器，吐出来的原料都是一袋袋“带质检标签的面条”——FASTQ 文件。它的格式非常固定：每个读段占四行，第一行是 @ 开头的标识符，相当于面条袋的条码；第二行是碱基序列，真正的内容；第三行是一个 + 号；第四行是质量字符串，每个字符对应序列中一个碱基的“质检分数”。

这个质检分数用的是 Phred+33 编码：把字符的 ASCII 码减去 33，就得到 Phred 质量值 Q。比如字符 I 的 ASCII 码是 73，减 33 得 40，代表这个碱基极其可信。质量值的物理含义恰恰是 Q 的逆运算：Q 越高，该碱基被判错的概率越低。拿到 FASTQ 后还不能直接找变异，因为每条 reads 只是一段不知道位置的碎片，必须先把碎片贴回基因组地图——这一步叫序列比对，常用 BWA、minimap2 等工具完成。

在 AI 从业者眼里，FASTQ 就是一份“带置信度的文本数据”：序列是观测值，质量字符串是每个字的不确定度。很多下游算法（如变异检测）都会用 Q 值做加权，而不是把所有碱基一视同仁。

变异检测

食谱抄了这么多代，难免出现错别字。变异检测就是“校对”环节：把几十条重叠覆盖同一位置的读段叠在一起，像对比多个手抄本。最常见的错字有两类：SNP 是某个位置的字母被替换（如 A 变成 T），Indel 是插入或删掉了一两个字母。检测变异的关键不是“看到不同”就报告，而是统计“有多少个抄本支持这个不同”。

这个支持比例叫变异等位基因频率（VAF）。比如 20 条读段覆盖某个位置，其中 5 条写 T、15 条写 A，那么 VAF = 5/20 = 25%。在正常二倍体组织里，杂合位点的 VAF 通常在 50% 附近；但在肿瘤样本中，由于细胞纯度、拷贝数变异和亚克隆的存在，VAF 可以落在任意区间。真正的工程难点在于过滤：低质量碱基、比对到重复区域的读段、链偏好等都会制造假阳性错字，必须结合深度、质量值和上下文综合判读。

校对错别字的智慧在于：单个抄本写错可能是手误（测序错误），但很多独立抄本同时写错，就值得怀疑真有问题。VAF 就是给这份“怀疑”定量的工具，也是后续肿瘤检测中最常用的数字。

精准医疗应用

有了可靠的读谱技术，林记面馆开始为顾客定制“隐藏菜单”。第一个应用是肿瘤基因检测：肿瘤细胞会把它的“变异菜谱”碎片释放到血液里（ctDNA），用高深度靶向测序可以在海量正常背景中捞出低频突变，比如找到一条 VAF 只有 0.8% 的 EGFR 耐药突变，直接指导换药。第二个应用是遗传病诊断：对家系成员做外显子测序，找到与疾病共分离的候选错字，再结合蛋白质结构预测（中心法则下游）判断这个错字是否真的让蛋白质“做坏了菜”。

第三个应用是技术选型。闪光复印机（Illumina）便宜、准确率高、通量大，适合肿瘤 panel 和大规模人群筛查；拉面测孔仪（Nanopore）便携、实时、读长极长，适合结构变异、病原体现场鉴定和复杂基因组组装。判断临床样本的突变比例时，还必须考虑一个关键因素：肿瘤样本里混着正常细胞，测到的 VAF 被“稀释”了，要用肿瘤纯度把它还原成肿瘤细胞内部的真实突变频率。

从祖传食谱到定制菜单，这条路的关键就是把“字母错字”翻译成“病情信息”。而 AI 工程师在其中扮演的角色，正是连接测序仪原始信号与临床决策的那座桥——先是读懂原理，再是写好算法。

AI 应用场景

Python 演示

import randomfrom collections import Counter random.seed(42) # 参考基因组: 一段 60bp 的标准模板(相当于比对后的参考坐标)REFERENCE = ("ATGCGTACGT" + "AGCTAGCTAG" + "CATCGATCGA" +             "TGCATGCTAG" + "CTAGCTAGCT" + "AGCTAGCTAG")READ_LEN = 40N_READS = 30MUT_POS = 29   # 参考上是 A, 部分读段被改成 TBASES = "ACGT"  def quality_string(q):    # Phred 分数 -> FASTQ 质量字符 (ASCII = Q + 33)    return "".join(chr(min(q, 40) + 33) for _ in range(READ_LEN))  def error_prob(q):    # Q 值与错误概率互转: P = 10^(-Q/10)    return 10 ** (-q / 10.0)  def generate_reads():    # 模拟 Illumina 边合成边测序产出的 FASTQ 记录    reads = []    for i in range(N_READS):        seq = list(REFERENCE[:READ_LEN])   # 简化: 全部比对到起点        if i % 3 == 0:            seq[MUT_POS] = "T"             # 1/3 读段携带变异等位基因        for j in range(READ_LEN):          # 按 Q30 的错误概率撒噪音            if random.random() < error_prob(30):                seq[j] = random.choice([b for b in BASES if b != seq[j]])        reads.append(("".join(seq), quality_string(30)))    return reads  def parse_fastq(reads):    # 把 FASTQ 质量字符解码成 Phred 分数列表    parsed = []    for seq, qstr in reads:        parsed.append((seq, [ord(c) - 33 for c in qstr]))    return parsed  def call_variant(parsed, pos):    # 统计指定位置的 A/C/G/T 频数并计算变异等位基因频率 VAF    counter = Counter()    for seq, _ in parsed:        counter[seq[pos]] += 1    total = sum(counter.values())    vaf = counter["T"] / total    ref_base = REFERENCE[pos]    is_snp = vaf > 0.1 and counter[ref_base] > 0    return counter, vaf, is_snp  if __name__ == "__main__":    reads = generate_reads()    fastq = parse_fastq(reads)    avg_q = sum(q for _, qs in fastq for q in qs) / (N_READS * READ_LEN)    print("平均 Phred Q 值: %.1f -> 错误概率 %.2e" % (avg_q, error_prob(avg_q)))    counter, vaf, is_snp = call_variant(fastq, MUT_POS)    print("位点 %d 等位基因频率: %s" % (MUT_POS, dict(counter)))    print("变异等位基因频率 VAF = %.2f" % vaf)    print("SNP 检出: %s" % ("是" if is_snp else "否"))

1. def error_prob(q): return 10 ** (-q / 10.0)实现核心公式 P = 10^(-Q/10)，连接质量值与错误率
2. seq = list(REFERENCE[:READ_LEN])模拟一条已比对到参考起点附近的读段
3. if i % 3 == 0: seq[MUT_POS] = "T"每三条读段一条携带变异，构造 1/3 的 VAF 真实信号
4. if random.random() < error_prob(30):按 Q30 对应的千分之一错误率撒入测序噪声
5. scores = [ord(c) - 33 for c in qstr]Phred+33 解码，把质量字符还原成 Q 值列表
6. counter[seq[pos]] += 1在参考坐标上统计各位点等位基因出现次数，即“多抄本校对”
7. vaf = counter["T"] / total计算变异等位基因频率，对应 VAF 公式
8. is_snp = vaf > 0.1 and counter[ref_base] > 0设置简易检出阈值并保证参考等位基因存在

常见误区

面试题