基因组学和生命科学的关键技术发展与未来十年的技术愿望

会开放获取声音技术发展推动基因组学和生命科学在这篇文章中，我们邀请科学顾问委员会成员讨论了塑造基因组学和生命科学的关键技术发展，以及他们未来十年的技术愿望清单Ewan Birney博士EMBL副总干事兼EMBL-EBI主任测序、显微镜和数据科学毫无疑问，基因组学的基础技术在大规模核酸测序中是廉价的更便宜，更可扩展，更便携的核酸测序的轨迹将继续与Illumina的成熟平台和PacBio和Oxford Nanopore的不断发展因此，我们可以期待未来10年的创新与过去10年一样多，能够在我们需要时对DNA进行测序，并根据需要从许多不同的来源进行测序。第二个基本技术是显微镜，它已经从以人眼作为主要的数据捕获元件，再加上人脑进行解释，发展到各种灵敏的光子或电子探测器，再加上复杂的计算方法进行重建和解释。电子（EM）技术和不同波长和不同收集模式的光子的组合可以提供显着的分辨率和场宽，从原子分辨率到整个动物读数。与此相结合的是生物学中卓越的数据科学--在某种程度上，这“只是”复杂的、高维的多变量统计数据，但每种数据类型的复杂性和跨越基因组学、蛋白质组学、转录组学、代谢组学和成像技术的多模态实验往往是骗人的。不出所料，为技术领域的创新提供动力的深度学习技术在这个领域有很大的用途，从图像分析到解释DNA序列。DeepMind团队最近的一项力作是通过AlphaFold的多重比对提供准确的3D蛋白质结构，AlphaFold是解决球状蛋白长期存在的“蛋白质折叠”问题的实际解决方案未来涉及所有这三个流深化，交织，并被应用到越来越多的生命科学领域，从基础基础科学到健康应用（随着基因组医学的发展）和环境。利益声明：Ewan Birney是Oxford Nanopore的长期付费顾问和小规模股东。Peter J. Campbell博士Wellcome Sanger研究所癌症，衰老和体细胞突变负责人使用整个癌症基因组进行临床决策支持在过去的十年中，癌症研究已经被大规模并行测序的革命所改变。成千上万的癌症基因组已经被测序、分析、解释、存档和发表。重大发现包括新的癌症基因，新的突变过程，新的癌症基因组亚型，以及癌症演变的细微差别。这种丰富的知识促使基因组测序在临床实践中迅速普及，其前提是体细胞突变是癌症的根本原因变化。目前，临床肿瘤学中的大多数基因组分析集中在大约几百个已知癌症基因中的编码即使测序涵盖整个外显子组或甚至整个基因组，通常报道用于临床解释的变体集中于已知癌症基因中的编码点突变。原因是编码点突变的解释相对简单：点突变影响单个基因，其蛋白质后果可以Cell Genomics1，100009，October 13，2021<$2021 1 1这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。会开放获取声音2Cell Genomics1，100009，2021可以从碱基变化推断，并且存在编码点突变的大型数据库来比较频率和可作用性。然而，除了编码基因组之外，还有许多临床相关信息。在许多癌症类型中，结构变异包含了一半以上的驱动事件，例如胰腺癌、许多肉瘤和卵巢癌。结构变异很难解释，与癌症基因没有简单的一一对应关系由于较小的数据集、其后果和大得多的基因组足迹，在基因组的非编码区中识别驱动突变仍然类似地困难。最后，人们对使用突变特征来预测临床上可操作的癌症表型的可能性越来越兴奋。使用编码点突变的精确肿瘤学的成功由三个基石支持：解释其后果的框架，用于推断其致癌性的现有数据的综合数据库，以及结合临床和基因组数据以确定其临床意义的知识库。癌症基因组学的下一个十年将专注于为结构变异、非编码突变和突变特征奠定同样的基石。ICGC-ARGO和各种国家测序计划等工作对于生成原始基因组和临床数据至关重要。癌症基因组学社区需要建立解释性工具，利用这些数据为我们看到的每一个新的癌症患者提供临床相关的、Wendy Chung，MD，PhD哥伦比亚大学早期快速临床诊断基因组学最需要的技术进步是一种测序技术，它将以高保真和长读段的方式将人类基因组测序的成本降低到每人不到100美元。这个价格点对于我们开发大型数据集是必要的，这些数据集是在整个生命周期、疾病和世界范围内对足够数量的个体进行测序所必需的。为了解释这些遗传信息，我们还需要跨器官、跨发育时间点（包括胚胎和胎儿发育的所有阶段）以及跨性别的单细胞测序数据。有了这种评估非编码区、难以比对的重复区、插入/缺失和复杂结构变异的能力，我们应该能够更全面地评估尚未充分表征的基因组区域、疾病和人群。与此同时，我们需要高通量系统用于饱和诱变和跨主要类别的基因和调控序列的功能读出，以构建准确的机器学习方法来预测错义和非编码变体的功能效应，从而我们可以解释基因组数据。可视化细胞内蛋白质结构和蛋白质-蛋白质相互作用的动态变化的技术以及功能测定将允许强大的计算方法来预测其他类似基因中遗传变异的影响，而无需直接评估它们。在读出并正确解释基因组数据后，我们将需要一套技术来在整个相关组织中安全地、无脱靶效应地、持久地操纵体内基因组。这些技术进步可能涉及更有效的传递系统，将遗传操作传递到相关的细胞类型，并深入复杂的器官。最终，早期和快速诊断加上分子疗法将是变革性的。Cell Genomics1，100009，2021年10月13日3会开放获取声音Nancy J. Cox，博士Mary Phillips Edmonds Gray教授; Vanderbilt遗传学研究所所长; Vanderbilt大学医学中心遗传医学部主任基因组变异的功能如果我们认为技术发展可能对现在和未来的基因组学、个性化医疗以及我们对生物学的理解产生最大影响，我认为必须是基于CRISPR的编辑，它正在彻底改变我们了解基因组变异实际功能的能力，并且已经创造了改变影响人类疾病风险的基因组变异的机会。如果我们考虑一下最近的过去，测序技术的进步对创建现代基因组科学和推进个性化医疗产生了最大的影响。但是，如果没有计算机基础设施的显著改进，测序技术的进步是不可能的，测序数据的用处也会少得多。今天的生物学比40年前更加具有计算性，计算在生物学中的发展仍在加速。在过去的50年里，计算机技术的进步为现代科学的各个方面提供了绝对关键的基础设施。在花了40多年的时间来更清楚地了解基因组变异如何影响人类健康和疾病之后，我对为实现这一目标而产生的大量数据感到惊讶和敬畏。但遗憾的是，这还不够。我们需要更多地了解基因组变异在从分子到细胞，到组织和器官，到生物体和种群的各个层面上的功能我们需要探索基因组变异在大规模动态环境中的作用。我安娜湖Gloyn，DPhil斯坦福大学基础研究副主席遗传学儿科教授GWAS在一个盘子里我在1996年开始了我的博士研究，与Neil Risch和Kath Merikangas的里程碑式观点相吻合，该观点引入了复杂疾病遗传学的未来可能需要通过关联分析对每个基因进行大规模测试的概念。当时，大多数实验室，包括我所在的实验室，都在使用限制性片段多态性（RFLP）分析对几百个DNA样本进行基因分型，这需要手动加载样本-如果你幸运的话，可以使用多通道移液管-在琼脂糖凝胶上。研究的力度不够，重复性是一个问题。基因分型阵列的引入和稳步发展完全改变了我们的实验方法，在数十万个样本中以无假设的方式开放整个基因组进行询问，为许多常见疾病的易感性提供了强有力的见解。近年来，我们在单细胞水平捕获转录组甚至表观基因组信息的能力在生物学和医学的许多领域都有影响力。以这种粒度查看感兴趣的组织简直令人惊叹。在我的糖尿病领域，我们对胰岛特别感兴趣，一个负责分泌多种激素控制葡萄糖稳态的微型器官。单细胞测序方法可能在我们理解疾病异质性的能力中发挥关键作用，这对于精准医学非常重要。在我的愿望清单上，有能力将这些技术与安全地活组织检查“活体”并测量其体内功能性胰腺b细胞质量的能力结合起来虽然我们已经建立了一个用于生成、分析和共享基因型数据的框架，这使得大规模的合作研究成为可能，但我们还没有将其复制到转录组数据，特别是单细胞数据。对于许多疾病，我们需要研究通常难以接近的细胞和组织（例如，脑、胰腺），这限制了可用于研究的材料。对我来说，最大的挑战之一，也是未来的机遇，是我们如何最有效地组合数据集，其中研究设计和方法的变化程度如此之大。我梦想能够研究数千种不同的人类IPS细胞，这些细胞可以使用自动配对的机器人装置同时分化为您选择的疾病相关细胞类型想象一下，能够在尽可能多的不同种族中对相同的个体进行4Cell Genomics1，100009，2021会开放获取声音Nicola Mulder，博士H3 ABioNet PI;开普敦大学计算生物学系主任确保所有参与者受益使基因组学能够用于生命科学，更具体地说，精确医学的最重要的技术发展是高通量测序（NGS），以及最近将其扩展到长读序测序。测序成本的降低现在最大的需求是改进长读序测序的技术并降低其成本，这将提高基因组的覆盖率和准确性，特别是二倍体。然而，最大的挑战将是管理不断增加的数据规模和复杂性，并将基因组学数据与许多其他数据类型（包括临床，生活方式和环境）整合，以做出有益于健康的有意义的发现。我们还需要确保在符合参与者同意和隐私法的情况下适当、负责任地共享数据，以从数据中获得最大利益。我希望看到中低收入国家的科学家有更多机会获得基因组学数据生成技术，并拥有分析数据的资源和能力，特别是在致力于实现与健康和福祉相关的可持续发展目标（SDG）需要开展协调良好的大型纵向人群队列、病原体监测项目和基因组学成分临床试验，以覆盖更多样化和目前代表性不足的人群，从而为全球人口知识做出贡献，并确保所有参与者都能从结果中受益。尼古拉斯·E Navin博士MD安德森癌症中心在单个细胞中测量一切在我看来，单细胞测序技术（包括DNA、RNA、表观基因组学）的发展代表了过去10年来最重要的技术发展之一。在这些技术存在之前，大多数基因组测量报告的平均信号反映了细胞类型或亚克隆（肿瘤中）的混合物。这些数据极大地混淆了我们解决肿瘤中肿瘤内异质性的能力，以及理解不同亚群中突变或表达程序共存的能力在RNA研究中，这些数据代表了不同免疫细胞、上皮细胞群和基质细胞类型的混合物，很难（如果不是不可能的话）确定哪种细胞类型表达特定基因。单细胞测序技术通过提供一种无偏见、无标记的方法来解析共存于组织中的无数细胞因此，这些技术的影响非常广泛，几乎影响到生物学和生物医学的所有领域。在未来，我预计单细胞基因组学领域将朝着多组学技术和空间基因组分析方法的发展单细胞多组学的目标是能够以低成本和高通量同时测量同一细胞内的DNA、RNA和表观基因组事件虽然在这一领域已经有了一些开创性的研究，但它们通常仍然需要复杂的实验方案，成本高，并且经常在一种测量方式上做出牺牲尽管如此，这些工具的发展对于理解细胞中基因型-表型的相互作用是至关重要的.对于单细胞空间基因组学，目标是拥有一种可以具有单细胞空间分辨率并以低成本和跨大空间区域（>1 cm）测量无偏DNA、RNA或表观基因组信息的目前，存在可用的靶向方法，其测量具有单细胞空间分辨率的有限组探针，但它们不是无偏的，并且类似地，存在可以执行转录组的无偏测量但不具有单细胞空间分辨率的空间基因组方法因此，仍然需要重大的技术发展总的来说，我们未来10年的梦想是实现一种低成本，高通量的方法，可以在单细胞空间分辨率下进行单细胞多组学分析。这样一个平台将为基因型-表型相互作用提供新的见解，并将组织病理学和成像领域与单细胞基因组学联系起来，这将为生物学和疾病的不同领域开辟新的研究Cell Genomics1，100009，2021年10月13日5会开放获取声音Kathryn North，MD，DMedSc默多克儿童研究所（Murdoch Children全生命基因组学的基础设施大规模并行测序技术是基因组学的为了保持这一势头，我们需要推动数据分析方面的持续创新。虽然数据生成将日益商品化，但使用日益复杂和自动化的软件解决方案对数据进行分析对于管理预期的数据量至关重要。因此，数据协调、标准化和可用性将是基因组学面临的最大挑战。为了最大化这些海量数据的价值，我们不仅需要支持数据可重用性的技术基础设施，还需要在联邦系统中采用标准。这将需要改变整个基因组价值链：监管和法律框架、融资模式、技术方法，以及重要的公众认知和参与。如果我们能够把这些基础设施建设到位，我们就可以为整个生命基因组学的未来而奋斗，让消费者能够最大限度地发挥他们新生儿筛查数据的临床影响，对他们的医疗保健做出明智的决定，并授权和知情地捐赠数据，以丰富研究和知识。Aviv Regev博士Genentech/Roche基因技术研究和早期开发负责人;人类细胞图谱的联合创始人和联合领导人与算法两个关键的进步支撑着我们在现代基因组学中所做的几乎所有事情，以及我们在未来所做的大部分事情下一代测序使我们能够从组装单个人类基因组的艰巨过程转变为定期将基因组测序和监测整合到不断扩大的生物实验范围中，以及用于个人医疗护理（包括肿瘤测序，用于更定制的诊断和治疗，罕见疾病诊断，以及最近的常见疾病多基因风险评分）和公共卫生（例如从埃博拉病毒和寨卡病毒到SARS-CoV-2的测序，以诊断患者并跟踪病毒进化和传播）。它为丰富的新实验技术打开了大门，释放了我们的想象力，就像用单细胞和单核RNA-seq在单个细胞水平上分析基因表达以及用新的空间基因组学技术在组织背景下分析基因表达一样。这开辟了新的前景和新的领域，并且已经非常强大和具有启发性，产生了新的细胞类型和细胞内和细胞间的调节机制。它现在准备在构建基因、细胞及其相互作用如何维持健康和引起疾病的路线图方面发挥关键作用，这反过来将指导开发有效的新疗法，以满足紧迫的医疗需求。如果没有强大的新计算算法，从基于图论的算法到利用现代深度学习技术的算法，这些捕获细粒度生物数据的实验工具（从测序到单细胞和空间基因组学等）都不可能实现。算法从稀疏、嘈杂的数据中收集信号;建立有意义的表示，我们可以在生物学和临床上解释;帮助对我们没有进行的实验和我们没有观察到的个体进行预测;并激发新的实验室技术的发明，这些技术是由计算原理和生物学理解驱动的。越来越大的生物和生物医学数据集与新的计算方法相结合，以推动其收集并从中学习，这将彻底改变我们预测新生物学（包括新的治疗靶点）的能力;识别关键基因，细胞和组织程序;甚至产生新的药物-化学和生物-人类将与算法合作构思，在实验室和计算之间迭代。未来十年带来这些进步可以改变可能性的领域，从基因，细胞，组织和生物体的基本生物学理解到健康和疾病的预防，诊断，监测和治疗。利 益 申 报 ： A.R. 是 Celsius Therapeutics 和 Immunitas 的 创 始 人 和 股 权 ， 是Genentech/Roche的员工。6Cell Genomics1，100009，2021会开放获取声音Jay Shendure，医学博士，哲学博士Brotman Baty研究所所长;华盛顿测量与微扰我特别兴奋的是，越来越强大的基因组和分子测量和干扰技术与越来越复杂的哺乳动物体外发育模型的融合。测量技术包括用于分析基因表达和染色质可及性的单细胞方法以及3D基因组结构、组蛋白标记、转录因子结合。在过去的几年里，可以应用这些方法的数据集的规模呈指数级增长重要的是，这些可以与记录细胞历史的方法相结合，包括它们的谱系关系。扰动方法包括一套日益复杂的多重方法，用于全基因组或饱和扰动的调控和编码序列。然而，迄今为止，用于操作和测量的基因组方法的应用在很大程度上仅限于静态的癌源性细胞系。将其扩展到新的体外动态发育模型，包括新一代的干扰和测量方法与干胚模型的交叉也可以使任何给定的细胞类型可预测地重编程为任何其他细胞类型。Sarah Teichmann，PhD，FMedSci，FRSWellcome Sanger研究所细胞遗传学负责人和高级组长;剑桥大学卡文迪什实验室/物理系研究主任;人类细胞图谱分辨率革命在过去的十几年里，基因组学的分辨率革命已经成为基因组学和更广泛的生物学的一股令人难以置信的推动力。它始于单细胞RNA测序，现在正在发展包括多模式单细胞技术。通过对单个细胞（而不是细胞群的混合物）进行完整的基因组表征，这些技术正在揭示大量的生物学问题。对模式生物及其发展有了许多新的见解，而使用人类样本的工作揭示了细胞类型（例如，T细胞）中以前未被估计的复杂性，并使我们能够深入研究具有多个基因组的复杂组织的细胞，如胎盘/蜕膜。单细胞技术是人类细胞图谱计划的关键，该计划旨在绘制人体中的每种细胞类型，作为了解人类健康以及诊断、监测和治疗疾病的基础技术的第二个分支--空间基因组学，它使我们能够看到组织中每种细胞类型的位置--现在已经真正开始起飞。我预计，在未来几年内，它将变得强大、可扩展、可负担，并经常达到单细胞分辨率，对人类细胞图谱将变得越来越重要为了发展单细胞和多模式空间技术，使其在三维中实现全基因组宽度，将需要大量的技术开发：当前的空间基因组学缺陷是基于芯片的测序方法限于二维而不是我们还需要大量的计算方法的发展，以充分实现这些新的实验技术的潜力虽然技术和计算发展的挑战将是艰巨的，但我认为，未来几年全球基因组学界面临的最大挑战之一我们必须继续在全球科学界进行联系和合作，和过去一样，或者更理想的是，更好的科学进步水平。我的梦想是通过多模式、单细胞和空间基因组学技术，实现具有全球代表性的3D分辨率人类细胞图谱这将帮助我们确定人体组织结构和细胞-细胞相互作用，并将为我们提供从发育到衰老的细胞功能的新视角，改变我们对生物学和疾病的理解。公开可用的生物数据还可以将研究转化为新的诊断和治疗方法，并在未来引领医疗保健的新时代