遗传 IV · 基因组的结构与非编码世界
证据地位：基因组组成的事实【实】；"有多少 DNA 有功能"【争】——这是一场至今未平息、且极具方法论教益的争论。 人类基因组约 32 亿碱基，其中编码蛋白的外显子只占约 1.5–2%。其余 98% 是什么？曾被统称为"垃圾 DNA"，后来又被宣布"大部分有功能"，两种说法都被过度传播过。本页梳理事实，并把争论的关键——"功能"这个词的歧义——讲清楚。
一、基因组的组成
大致构成（数字为量级，不同统计口径有出入）：
| 成分 | 占比 | 说明 |
|---|---|---|
| 蛋白编码外显子 | ~1.5% | 约 2 万个基因 |
| 内含子 | ~25–35% | 转录后被剪除 |
| 转座元件 | ~45–50% | 见下节 |
| 其他重复序列 | ~10% | 卫星 DNA、着丝粒、端粒 |
| 调控元件 | ~5–10%（估计） | 启动子、增强子、绝缘子 |
| 假基因 | ~1% | 失活的基因拷贝 |
最惊人的一条：转座元件占了将近一半——人类基因组的最大成分，是曾经的"寄生虫"。
二、转座元件：基因组里的寄生者
转座子（transposable elements, TE）是能在基因组中复制或移动自身的序列。人类中主要是逆转录转座子（先转录成 RNA，再逆转录回 DNA 插入新位置）：
- LINE-1：约 17%，自主转座（自带逆转录酶），少数拷贝至今仍有活性；
- Alu：约 11%，非自主（借用 LINE-1 的机器），灵长类特有，拷贝数超 100 万；
- 内源性逆转录病毒（ERV）：约 8%，古代逆转录病毒感染生殖细胞后留下的残骸。
它们首先是自私的：转座子的扩增无需对宿主有利，只需能复制自己。宿主则演化出抑制机制（DNA 甲基化、piRNA），大多数拷贝已被沉默或突变失活。
但有些被驯化了——这是演化最爱的把戏（exaptation，扩展适应）：
- RAG1/RAG2（V(D)J 重组的酶，线二第四页）源自古老的转座酶——适应性免疫系统的核心，是一个被收编的转座子；
- syncytin（胎盘合胞体滋养层融合所需）源自 ERV 的包膜蛋白——哺乳动物胎盘的形成借用了病毒的膜融合工具；
- 大量转座子序列被改造成增强子，为调控网络提供新元件。
这是理解基因组演化的关键图景：基因组不是被设计的文档，而是一个生态系统——宿主序列、寄生序列、被驯化的前寄生者共存并相互作用。
三、"垃圾 DNA"之争【争】
"垃圾 DNA"的原意（Ohno, 1972）比通俗理解更精确：指不受选择约束的序列——它们可以自由积累突变而不影响适应度。这是一个演化判据，不是"无化学活性"。
ENCODE 的冲击（2012）：该计划报告基因组约 80% 具有"生化功能"（被转录、结合蛋白、有染色质标记）。媒体解读为"垃圾 DNA 已死"，引发激烈反弹。
批评的核心（Graur 等，措辞相当尖锐）：ENCODE 用的是"生化活性"定义，而非"选择约束"定义。 转录本身可能是噪声——RNA 聚合酶有一定的随机起始率；蛋白结合也可能是非特异的。"有生化活性"与"有功能（被选择维持）"是两件事。
几条相对硬的证据：
- 比较基因组学：跨物种保守（受纯化选择约束）的序列约占人类基因组的 5–10%。保守意味着突变被清除，即有适应度后果——这是"功能"最严格的判据。
- 洋葱悖论：洋葱基因组约为人类的 5 倍，某些蕨类达 50 倍。若基因组大小与复杂性对应，这无法解释；若大部分是可有可无的重复与转座子，则很自然。"C 值悖论"至今是"大量 DNA 无功能"最有力的论据之一。
- 群体遗传学解释：垃圾的多少与 \(N_e\) 相关（承线三第二页）。在 \(N_e\) 小的物种中，清除轻微有害插入的选择效率低，于是基因组"发胖"；细菌 \(N_e\) 巨大，基因组极为紧凑。这个解释把基因组结构与群体遗传学统一起来，是本页最深的一层。
当前的合理立场：约 5–10% 的序列受选择约束（较硬的"功能"）；更大比例有某种生化活性，但其中相当部分可能是噪声或无关紧要；"垃圾"一词不精确但其核心洞见（大量 DNA 不受选择约束）仍然成立。争论的实质是定义之争，而这正是它值得学的地方——很多科学争论的一半是术语问题。
四、非编码 RNA：确有其事的部分
即便对"80% 有功能"存疑，功能性非编码 RNA 确实重要，且证据扎实【实】：
- rRNA、tRNA：翻译机器的核心（rRNA 本身是核酶）；
- miRNA：约 22 nt，通过与 mRNA 部分互补介导降解或翻译抑制，参与广泛调控；
- lncRNA：长链非编码 RNA，数量众多但已确证功能的只是少数。最经典的是 XIST——它包裹并沉默一条 X 染色体，实现雌性 X 剂量补偿，机制清楚、功能确凿。
- piRNA：抑制生殖细胞中的转座子活动。
注意分寸：lncRNA 被注释出数万条，但多数缺乏功能验证。"发现一个新 lncRNA 与某病相关"距离"它有致病功能"还很远。
五、三维基因组
近年最重要的进展之一：基因组的空间折叠具有功能意义。
- 染色质区室（A/B compartment）：活跃与沉默区域在核内分区聚集；
- 拓扑关联结构域（TAD）：约百万碱基级的区块，内部互作频繁、跨界受限。边界由 CTCF 结合位点与黏连蛋白（cohesin）的环挤出机制形成；
- 功能后果：TAD 边界把增强子"限制"在正确的邻域内。边界被破坏（如结构变异删除 CTCF 位点）会让增强子劫持错误的基因，已在若干肢体畸形与癌症中得到证实——这是三维基因组具有功能的最硬证据。
这也回头解释了上一页的难题：为什么 GWAS 信号所在位置的最近基因常常不是靶基因——因为调控关系是由三维接触决定的，不是由线性距离决定的。
六、基因组的可变性
最后提醒：基因组不只有 SNP。
- 结构变异：缺失、重复、倒位、易位——在碱基总量上，结构变异造成的个体间差异超过 SNP；
- 拷贝数变异（CNV）：如淀粉酶基因 AMY1 的拷贝数与淀粉饮食相关（一个常被引用的例子，具体的选择证据仍有争议）；
- 可移动元件的新插入：每约 20–100 个新生儿中有一次新的 L1 插入事件；
- 体细胞变异：同一个体不同细胞基因组不同（嵌合性）——这是癌症的基础（线四第六页），在神经元中也有相当程度的体细胞变异。
"一个人有一个基因组"是一个方便的简化，严格说并不成立。
下一页：遗传 V——表观遗传。这是公众讨论中被扭曲最严重的概念之一。哪些机制是确凿的，"跨代表观遗传"在人类中的证据到底有多强？