全ゲノム解析で「読めること」と「読めないこと」

全ゲノムだから何でもわかる、ということはありません。原理的に読めない領域がどこにあるのかを、解読を始める前に確認しておきます。

「全ゲノム」という言葉には、ゲノムの全部が読めているという響きがあります。実際にはそうではありません。

いま個人向けに広く提供されている全ゲノム解析のほとんどは、短鎖リードと呼ばれる方式で行われています。ゲノムを細かく断片化して、150塩基ほどの短い断片を大量に読み、それを参照配列と照らし合わせて元の位置に戻していく。この「元の位置に戻す」工程に、そのまま限界が出ます。

解読を始める前に、この線を引いておきます。ここを曖昧にしたまま進むと、「見つからなかった」を「存在しない」と読み違えることになるからです。

得意なこと

一塩基の置換と、数塩基から数十塩基程度の挿入・欠失。世の中で語られる多型のほとんどはここに入るので、実用上は広い範囲がカバーされます。

代謝経路に関わる多型を見ていく分には、大半がこの範囲で足ります。

数百塩基から数千塩基規模の欠失や重複は、短い断片を並べる方式では捉えにくくなります。断片が「ない」ことは、読めなかっただけなのか、本当に欠けているのか、区別がつきにくいためです。

同じ配列が何十回、何百回と繰り返される領域では、断片が繰り返しの中のどこ由来なのかを決められません。繰り返しの回数そのものが意味を持つ場合、そこは読めていないことになります。

ゲノムには、機能を失った遺伝子の写しのような配列が、本体とよく似た形で残っている場所があります。断片がどちらの由来か判別できないため、この領域の読みは信頼度が落ちます。

同じ位置が何回読まれたかを、カバレッジ深度と呼びます。この値は場所によってばらつきます。特定の塩基組成に偏った領域では薄くなりやすく、薄い場所での判定は当てになりません。

ここが実務でいちばん誤解されるところです。

解析結果に何も出てこなかったとき、それは次のどれかです。

この三つは、結果の表からは区別できません。 区別するには、その領域が実際にどれだけ読まれていたかを確認する必要があります。手順としては、解読を始める前にカバレッジの分布を見て、読めていない領域を先に把握しておくことになります。

自分の手順が正しいかどうかを確かめるには、答え合わせができる必要があります。

そのために、研究目的で公開されている標準データセットを使います。米国 NIST の Genome in a Bottle という取り組みが、高い信頼度で検証された「正解」を公開しています。同じ検体を複数の方式で繰り返し解析し、結果が一致する範囲を確定させたものです。

自分の手元のデータには正解がありません。だからこそ、手順の練習は正解のあるデータで行い、手順が固まってから自分のデータに向かう。この順番を崩さないほうが、結局は早く進みます。