2.2 新一代测序平台

上一节的结尾留下一个明确的矛盾：毛细管电泳版 Sanger 法把读长与准确率推到了可靠的高位，但并行度被毛细管数目锁死在数百道，每条泳道都需要样本制备、试剂与人工的伺候；以这样的通量读完约 3.1 Gb 的人类基因组，需要以年计的时间与以十亿美元计的预算。新一代测序(next-generation sequencing, NGS)——亦称第二代测序或大规模平行测序——的革命性之处，并不在于读取碱基的化学更加精妙，而在于一次实验中同时读取的分子数目跃升了三到五个数量级（Mardis, 2008）。本节以原书第三版出版前后（2009 年）的技术版图为主线，先抽取三大平台共享的技术范式，再逐一考察 454、Illumina/Solexa 与 SOLiD 的工程细节，最后讨论平台对比、成本轨迹与单分子长读长的前沿方向；其后的产业演化以括注说明。

2.2.1 共性技术范式：文库、克隆扩增与循环检测

无论哪一家平台，2009 年前后的 NGS 工作流都可以分解为四个连续阶段。第一阶段是文库构建：基因组 DNA 经超声或雾化等机械力随机打断，末端修补后连接通用接头(adapter)——接头携带引物结合位点与测序引物互补区，使来源不同的全部片段可以在同一套引物、同一套化学下被统一处理；在本书的时代，多样品混合测序的条形码化（barcode）也已出现。片段化是随机的，这一性质直接决定了 2.3 节鸟枪法拼装的统计基础。

第二阶段是克隆扩增。单分子检测的灵敏度不足是 NGS 首先要绕开的物理限制：单个模板分子每轮化学只释放有限的荧光光子，淹没在背景散射与杂质荧光之中。因此三大平台都把每个模板分子在原位克隆扩增上千倍，使信号从"单分子"变为"上千条相同分子之和"：454 与 SOLiD 把模板连同引物磁珠包进油包水乳胶的皮升级液滴，做乳化PCR(emulsion PCR)；Illumina 则在流通池(flow cell)玻璃表面做桥式PCR(bridge PCR)。克隆扩增的收益是信号，代价同样明确：聚合酶链式反应固有的 GC 偏好、重复区扩增失败与偶发的扩增错误，会以"整个克隆共同出错"的形式进入数据。

第三阶段是循环检测，第四阶段是碱基调用。反应试剂按固定次序逐轮流过反应表面，每一轮完成一步化学——聚合一个碱基、或连接一段探针——随后照相机对整个表面整体成像；图像处理软件识别每个位点的位置，把逐轮累积的强度或颜色序列翻译为碱基序列，并逐碱基给出质量值。这种"每个碱基自带可信度"的数据观，与 2.1 节的 phred 哲学一脉相承。

由此可以准确说出 NGS 与 Sanger 法的本质区别。第一，并行度：毛细管仪一次运行数百条泳道，NGS 一次运行可读位点在 10⁵–10⁷ 量级。第二，读长：Sanger 法可靠读出约 500–1 000 bp，NGS 各平台在 25–400 bp 之间。第三，错误结构：Sanger 的错误随读长末端质量衰减，NGS 则形成平台特异的错误谱（同聚物插入缺失、替换、颜色码连锁）。第四，取样方式：从克隆定向测序变为对基因组的随机采样，"测哪一段"的选择权交给统计学与拼装算法。读长的牺牲换来的是每碱基成本的雪崩式下降——这笔账将在 2.2.5 与 2.2.6 节算清。

2.2.2 454 平台：乳化 PCR 与焦磷酸测序

454 Life Sciences 于 2005 年推出的 GS 20 是第一台商业化 NGS 仪器（Margulies et al., 2005）：单次运行即对约 0.58 Mb 的生殖道支原体基因组实现约 96% 的覆盖，一致序列准确率约 99.4%——"大规模平行、边合成边检测"由此证明可以工业化。其前端是乳化 PCR：水相（携带引物的微磁珠、稀释的模板与 PCR 试剂）与油相混合剪切，形成数百万个皮升级液滴；极限稀释使多数液滴至多含一条模板，理想情况下"一珠一模板"。热循环后，模板在各自珠表面扩增出上千条同源拷贝（"一珠一克隆"）；经富集，携带扩增产物的磁珠与更小的、负载检测酶的微珠一同沉积到光纤微孔板(PicoTiterPlate, PTP)——一块化学蚀刻出微米级微孔阵列的光纤玻片上。一珠一孔、互不干扰，每个孔底即是一个独立的皮升级反应器。

检测化学是焦磷酸测序(pyrosequencing)（Ronaghi et al., 1998）：四种 dNTP 依固定次序逐一流过 PTP 板；某孔的模板若恰好需要当前流过的碱基，聚合酶将其掺入并释放焦磷酸（PPi），下游的酶级联把 PPi 逐步转化为可见闪光，CCD 相机记录整板每个孔的光强；未被掺入的 dNTP 被降解清洗后，换下一种碱基再流一轮。如此循环，"哪种碱基流过时发光"这一事实本身即构成序列。

读长与错误谱：GS 20 的平均读长约 100 bp；GS FLX 提升至约 250 bp；原书时代的 GS FLX Titanium 化学约 400 bp，为当时 NGS 诸平台之最长。错误以插入/缺失（indel）为主，集中于同聚物(homopolymer)（连续相同碱基）区段，散在的单碱基替换相对少见；原始读准确率约 99% 量级。凭借相对长的读长与较早的成熟度，454 在小基因组 de novo 拼装与扩增子测序（如 16S 标签）中率先普及；2007 年完成的 J. D. Watson 个人基因组亦出自该平台，成为 NGS 走向个体基因组时代的标志事件（详见 Mardis, 2008 的综述）。

2.2.3 Illumina/Solexa：桥式成簇与可逆终止子合成测序

第二条路线由英国 Solexa 公司发展，2006 年并入 Illumina 后以 Genome Analyzer 之名推广，2008 年即以该化学完成了一个非洲裔个体的全基因组测序（Bentley et al., 2008）。它把克隆扩增从液滴搬到玻璃表面：流通池内表面共价固定着与接头互补的致密寡核苷酸层；单链模板一端先与表面引物结合，另一端弯下腰去与邻近的另一种引物互补，弓成一座"桥"。经变性—退火—延伸的桥式 PCR 循环（约 35 轮），每个起始位点长成一个亚微米尺度的克隆簇(cluster)，含上千条相同拷贝；簇与簇的间距足以在显微镜下分辨，整片表面于是成为一张布满反应位点的"棋盘"。

测序化学是带可逆终止子(reversible terminator)的合成测序(sequencing by synthesis, SBS)：四种 dNTP 同时存在、竞争掺入，但每一种的 3′ 羟基都被可切除的封闭基团锁住，并携带标明碱基种类的荧光基团——因此每轮每条链至多延伸一个碱基。洗去游离 dNTP 后整板成像，每个簇的颜色即该轮掺入的碱基；再以化学方法切除荧光基团、解除 3′ 封闭，进入下一轮。"掺入—成像—切除"周而复始，每个簇的颜色序列即其碱基序列（图 2.2-1）。

这一化学把 Illumina 的长短板刻画得非常清楚。短板是读长：发布时单端 25–35 bp；逐轮累积的合成不同步（phasing）与荧光残留使错误率随循环数上升，原始错误率约 1% 量级，且以碱基替换（substitution）为主——替换不改变读段的相位，比 indel 更容易在拼装的一致性投票中被纠正。长板是通量与成本：数以千万计的簇并行成像，单次运行即产出 Gb 级数据，每碱基成本降至 Sanger 法的百分之一以下量级（约数；简单账目见式 (2.2-1)）。（原书出版于 2009 年；其后读长与通量持续攀升，至 2014 年前后的 HiSeq 系列已使 2×150 bp 读长与 Tb 级单次运行成为常规，市场亦逐渐由 Illumina 主导。）

2.2.4 SOLiD：连接酶法与双碱基颜色编码

第三个平台的思想源自哈佛大学 Church 实验室的菌落（polony）测序（Shendure et al., 2005），2007 年由 Applied Biosystems 商品化为 SOLiD。模板制备与 454 同路——乳化 PCR 扩增到磁珠上、铺于玻片表面；不同的是催化反应的酶：不请聚合酶，而请 DNA 连接酶来"拼读"。

SOLiD 的双碱基编码(two-base encoding)安排在一个八碱基探针池里：探针 5′ 端第 1、2 位是"讯问碱基"，第 3–8 位为简并碱基；16 种二核苷酸组合按固定规则映射到四种荧光通道（图 2.2-2A）——同碱基对（AA/CC/GG/TT）记 0 号码，AC/CA/GT/TG 记 1 号，AG/CT/GA/TC 记 2 号，AT/CG/GC/TA 记 3 号，四种组合共享一个颜色。每轮加入探针池：与模板正确配对的探针被连接酶连接到引物 3′ 端，成像记录颜色——它报告的是"相邻两位碱基的组合类别"，而非某一位碱基本身；随后在探针第 5、6 位碱基之间化学切断，弃去带荧光的 3′ 端三碱基，保留结合在模板上的五聚体，下一个探针紧接其后连接——每次连接沿读段方向推进 5 个碱基。

一轮 5–7 次连接结束后，变性剥离全部产物，换用错开一位的引物重新开始，共进行五轮（引物依次错开 n、n−1、n−2、n−3、n−4）。错开使每个模板碱基先后落入两次独立的讯问（图 2.2-2B）；配合文库另一端反向读取的第二条读段，校验更加充分。解码时需以已知的第一个碱基为起点，把颜色码序列逐步翻译为碱基序列——数据因此原生生活在颜色空间(color space)中，比对与变异检测须使用专门的算法。

双碱基编码的冗余带来结构性的纠错能力：一次真实的单碱基变异会恰好改变相邻两个颜色码，而孤立的单一颜色失配更可能是测序错误——错误与变异在数据结构上即可区分（习题 2.2-3）。因此 SOLiD 的原始单碱基准确率在三大平台中最高（标称可达 99.9% 以上）；代价是读长最短（发布时 25–35 bp，后延至 50–75 bp），以及颜色空间数据带来的算法复杂度。

2.2.5 平台工程学对比与配对末端配置

表 2.2-1 从核心化学、扩增方式、读长、错误类型、相对通量与代表性应用六个维度比较 Sanger 与三大 NGS 平台。表中一律使用"约/量级"表述：同一平台的化学与仪器版本迭代极快，精确的读长与产出数字随时间即失效，而各平台背后的工程权衡才是稳定的教学要点。这一权衡可以用一个简单的账目概括：

注：通量与读长取 2009 年前后的公开量级（Gibson & Muse, 2009；Mardis, 2008）。原书出版后，454 于 2013–2016 年间退出市场、SOLiD 亦渐式微，Illumina 系列经多次换代成为主流（Metzker, 2010）。

表中隐含的一项通用配置值得单独强调：三大平台都支持配对末端(paired-end)测序——同一 DNA 片段的两端各测一条读段，二者方向相对、间距由文库插入片段的长度分布（约数百 bp 至数 kb 不等）给出。其意义有三：其一，把两条短读段锚定在一段已知跨度上，可跨越单条读长覆盖不了的重复区与缺口，是 2.3 节支架（scaffold）拼装的关键证据；其二，两端间距或方向的异常直接指示缺失、倒位、易位等结构变异，是后续变异分析的基础；其三，构建多档插入长度的文库，相当于给拼装器配备多把不同刻度的尺子。可以说，配对末端让"短读长"的劣势在很大程度上被信息设计所补偿。

2.2.6 成本与产出轨迹：从 30 亿美元到十万美元量级

把本节的技术放进货币与时间坐标，变化的剧烈程度超出多数人的预期。人类基因组计划（1990–2003）耗资约 3×10⁹ 美元（含图谱构建等全部成本）；2007 年，J. D. Watson 的个人基因组由 454 平台在约两个月内完成，成本降至约百万美元量级；到本书第三版出版前后（2008–2009 年），以 NGS 交付一份人类基因组图谱的成本已进入 10⁵–10⁶ 美元量级，且仍在快速下探（详见 Mardis, 2008 的综述）。

产出的增速同样惊人：进入 2000 年代后期，全球测序数据产量的年增速超过摩尔定律对应的翻倍节奏，这一表述在后来的综述中被反复量化（Sboner et al., 2011）。对基因组科学而言，这意味着研究瓶颈从"产生数据"移向"管理、处理与解释数据"——本书后续各章的计算主题（拼装、注释、比对、变异与表达分析），都建立在这一转折之上。

2.2.7 前瞻：单分子与长读长测序（原书出版后的主流化）

原书第三版出版时，NGS 的下一步方向已经清楚：消除克隆扩增。扩增是信号的来源，也是偏差的来源——GC 偏好、重复区丢失与"整簇共同"的扩增错误皆由此而来。两条路线在 2008–2009 年间先后给出原理验证。

其一是 Helicos 的真单分子测序（tSMS；Harris et al., 2008）：模板分子不经扩增直接固定于表面，每轮掺入一种带可逆终止子的荧光核苷酸，成像后切除，循环往复。它彻底摆脱了扩增偏差，但单分子信号弱，读长与准确率均受限，商业上也未能持续。

其二是 Pacific Biosciences 的单分子实时测序（SMRT；Eid et al., 2009），关键器件是零模式波导(zero-mode waveguide, ZMW)：孔径小于激发光波长的微孔，使入射光场在孔内沿深度指数衰减，仅孔底约 10⁻²¹ 升（zeptoliter）量级的体积被有效照明。把单个 DNA 聚合酶固定在孔底，掺入带荧光磷酸标记的 dNTP 时，标记基团随焦磷酸释放而自动脱落——聚合反应无需中断，光信号被连续摄像记录：聚合酶每写一个碱基，仪器便实时读一个碱基。读长可达 kb 级；原始错误率偏高，但错误近似随机，多次覆盖后的共识序列可将其纠正。

就本书主线而言，本节确立的数据形态——海量短读段、逐碱基质量值与配对信息——在 2009 年已经定型，并在此后十余年基本稳定。平台会更替，而"如何把数百万条读段拼回一个基因组"的问题，正是下一节（2.3 全基因组鸟枪法拼装）的主题。