mitoLEAF：线粒体DNA谱系进化与注释框架——填补Phylotree更新停滞后的空白

本研究针对Phylotree停止更新后线粒体DNA(mtDNA)单倍群分类混乱的问题，开发了开源协作平台mitoLEAF。通过整合GenBank、EMPOP及文献数据，将单倍群数量从5435扩展至6409，并采用SAM2算法实现标准化分类。该研究解决了商业数据库封闭性、命名不一致等痛点，为法医学、进化遗传学等领域提供透明可复现的学术资源。

　　

线粒体DNA研究的"断代危机"与破局者
线粒体DNA(mtDNA)如同细胞里的"分子时钟"，其高突变率和母系遗传特性使其成为研究人类进化、群体迁徙和疾病机制的黄金标准。然而自2016年权威数据库Phylotree停止更新后，科研界陷入尴尬境地：一方面GenBank中mtDNA序列呈指数增长，另一方面单倍群分类体系却停滞不前。这种"数据爆炸与标准缺失"的矛盾导致各研究团队自行定义单倍群，造成命名混乱（如T2e3在不同文献中存在T13962C与9947A两种定义）、质量参差（16%新增单倍群因数据质量问题被排除）甚至伦理风险（致病突变被无意纳入分类标准）。

因斯布鲁克医科大学法医研究所的Nicole Huber团队在《NAR Genomics and Bioinformatics》发表的研究，带来了名为mitoLEAF的解决方案。这个基于GitHub的开源框架首次实现三大突破：将单倍群分类扩展17.9%（新增974个），建立首个过滤致病突变的单倍群体系，以及开发交互式可视化平台。其创新性在于将商业数据库FTDNA的封闭模式转变为"学术维基"模式，使全球研究者可共同维护这个包含61,295个基因组的动态谱系。

关键技术方法
研究整合GenBank（61,295条）、EMPOP（13,057条）和文献（1,479条）数据，采用SAM2算法进行单倍群分型。通过3'比对策略解决indel标注差异，过滤含>30N或成本值>500的低质量序列。利用R包countrycode标准化地理元数据，建立包含164国30,799条地理注释的数据库。致病突变过滤参考Marshall等人制定的39个变异清单，确保分类体系不含疾病关联标记。

研究结果

谱系更新与数据整合
通过系统筛选2016年后文献，最终采纳974个经严格验证的新单倍群。典型案例如L5a分支的16183del突变校正：原文献标注为A16183c，但实际55-61%样本应为缺失突变。研究还解决命名冲突，如将W7重新定义为W7a，T2h改为T2h3，确保与Phylotree命名逻辑一致。

质量控制与单倍群分布
91.85%样本（56,322条）与已知谱系匹配良好（成本值≤10），但L7、P等罕见分支成本值高达14.20，提示可能存在未表征谱系。单倍群频率分析显示B4a1a1b（596次）、H3（453次）等常见类型，而L7a仅2例，反映现有数据仍存在采样偏差。

致病突变过滤
在6,409个单倍群定义中剔除8个含致病突变的类型（如T3中的Leber视神经病变相关11778A），消除0.12%样本的伦理风险。GenBank数据中0.77%样本（471条）携带致病突变，其中4例存在"双重打击"现象（如G2b1a同时含11778A和1555G）。

地理与技术偏倚
欧洲和北美样本占比过高（占地理注释样本的63%），非洲中西部、大洋洲多国无数据代表。测序技术显示Illumina占主导（31,013条），但16,939条缺乏技术元数据，凸显标准化不足。

科学意义与社区价值
mitoLEAF的诞生标志着线粒体系统发育研究进入"开源协作"时代。其创新价值体现在三方面：技术层面首创致病突变过滤算法，确保分类体系符合法医伦理；方法学层面采用3'比对统一indel标注，解决长期存在的5747del/5752del等争议；社区层面建立GitHub协作机制，使单倍群更新从"专家垄断"转向"群体智慧"。

该研究也暴露出领域深层问题：命名规则缺乏国际标准（如M72实际属于M而非M7分支）、poly-C区域异质性处理不一等。作者呼吁成立国际工作组制定单倍群定义标准，这与近期Bajic等人提出的"nomenclutter"整治建议不谋而合。随着平台上线，预计将推动mtDNA研究从"数据积累"向"知识整合"转型，特别对追溯人类迁徙（如通过L7a追踪东非起源）、研究线粒体异质性（heteroplasmy）等前沿领域提供标准化分析框架。