《Agronomy》：No Evidence of an Embedded Message in Human Ultraconserved DNA: A Bounded Computational Search with Stated Detection Limits
编辑推荐：
若希望留下一条能存续数亿年的信息，应将其置于何处？又如何使其广泛分布以致于被发现的可能性较高？DNA对这两个问题均给出了答案：DNA代代复制，写入其中的信息将存在于每个后代个体的每个细胞中。此类信息只能存活于自然选择不允许改变的序列中。此前的搜索考察了病毒基因
若希望留下一条能存续数亿年的信息，应将其置于何处？又如何使其广泛分布以致于被发现的可能性较高？DNA对这两个问题均给出了答案：DNA代代复制，写入其中的信息将存在于每个后代个体的每个细胞中。此类信息只能存活于自然选择不允许改变的序列中。此前的搜索考察了病毒基因组与遗传密码；超保守元件（ultraconserved elements）在脊椎动物基因组中异常保守，尚未经过正式检验。本研究将24项预先设定的统计量应用于在八个羊膜动物基因组中完全相同的2494个区块，并在前瞻性设定的第二阶段应用于481个经典超保守元件。对每种两位编码（two-bit code）及二对二二元编码（two-versus-two binary code）均读取了文本、数学、图像、周期性、重复序列及可压缩性，并与保留二核苷酸组成的随机重排序列（500组，经典元件扩展至2000组）进行比较；每个检测器均首先回收了植入的信号。在两个数据集中，均无信息特异性统计量通过校正阈值，在213个与试点无共享序列的经典元件中亦然。其结构超过随机重排序列，但未超过邻近的非超保守DNA。一个微弱的图像样信号仅限于与蛋白质编码外显子重叠的元件；在探索性分析中，其三碱基周期性（three-base periodicity）与密码子相关的碱基组成一致，其栅格极大值可归因于单个元件中的短串联重复序列（short tandem repeats）。植入信号实验证实，该搜索本可检测到17个字符的文本、一个常数的25至27位数字或一幅143比特的图像。在所测试的信息类别、编码及大小范围内，这些异常保守的序列不携带可检测的信息。
研究背景方面，若欲留下存续数亿年且几乎可在行星任何位置被发现的信息，石碑风化、金属腐蚀、地表重塑均无法承载，而DNA作为可自我复制、自我修复并在地球所有活细胞中连续传递数十亿年的信息存储载体，具有独特优势。然而DNA复制并非完美，微小错误积累会在数百万年内抹去基因组中可自由变化区域内的任何信息；持久的信息必须置于自然选择不容忍改变的区域。超保守元件是此类序列最清晰的案例：Bejerano等鉴定了481个长度超过200碱基对的片段，在人类、小鼠和大鼠基因组中完全一致，无替换、插入或缺失，其保守性反映的纯化选择强于蛋白质编码序列。此前寻找信息的研究存在明显局限：早期研究考察病毒基因组（如φX174、SV40），但病毒进化迅速，无法在地质时间尺度上保持恒定；后续研究转向遗传密码（shcherbak、Makukov等），但密码表仅64个条目，容量有限。Makukov与shcherbak曾直接指出基于序列载体的反对意见：携带信息的生物学中性片段不太可能在地质时间内存活完整，且已知超保守片段在生命界远非普遍。合成生物学已证明任意数字信息可写入DNA并读回，因此障碍不在编码而在持久性。除Arbesman对长度为两素数乘积的超保守元件进行粗略目视检查外，尚无研究对这些元件应用预先设定的统计量、匹配的零模型、阳性对照及检测效力分析。本研究旨在填补这一空白：预先固定24项统计量，首先应用于八个羊膜动物基因组中完全相同的区块试点集，随后保持不变地应用于481个经典元件，涵盖文本、数学常数、整数序列、栅格图像及无约定结构度量，在每种两位编码及二对二二元编码下进行。研究得出结论：在所测试的信息类别、编码及大小范围内，这些异常保守的序列不携带可检测的信息；其所含秩序为DNA的普通秩序，不大于邻近非超保守DNA的秩序。唯一接近阈值的发现——经典元件中的图像样信号——限于与蛋白质编码外显子重叠的元件，在探索性分析中与密码子相关碱基组成及单个元件中的短串联重复序列一致，而非信息。该搜索本可检测17个字符的明文、一个常数的25至27位数字或一幅143比特的填充图像，植入实验已证实。更短、加密或不同编码的信息无法排除，结论限于所测试的信息类别、编码及统计标准。重要意义在于：以明确陈述检测限的检验取代断言，为此类主张的退场提供了方法学范例；该统计量组合及阳性对照与效力分析可应用于任何提议的载体序列，与侧翼DNA的比较为区分基因组普通统计纹理与设计提供了通用检查。
研究人员开展研究用到的主要关键技术方法包括：基于Faircloth等超保守元件探针集重建跨物种完全相同区块，采用14碱基种子无间隙延伸的最大精确匹配算法定义区块；五种嵌套物种集；邻近非保守对照DNA取样；两种二元编码家族（24种两位赋值及三种一位碱基划分，双极性读取）；24项预设统计量（文本、数学常数、整数序列、栅格图像、周期性、重复与可压缩性）；保留二核苷酸的Altschul-Erickson随机重排零模型（500组，经典元件扩展至2000组）及单核苷酸重排、三阶马尔可夫模拟、均匀随机序列等替代零模型；单侧经验p值与Bonferroni校正阈值（p<0.0021）；阳性对照植入与检测限测定；编码子相位保留重排及三核苷酸排列等编码感知零模型；Wilcoxon符号秩检验与五折交叉验证马尔可夫模型；分析代码由生成式人工智能系统在作者指导下编写执行，并经两个独立实例重新实现全部24项统计量进行验证。
研究结果方面，数据集：试点产生主要集2494个区块，次要集609至7943个区块，区块中位长度68碱基，A和T含量高于对照DNA（65.4%对61.7%）；经典集481个元件，中位长度243碱基，其中263个与试点人鼠区块共享序列。试点中的信息特异性统计量：16项信息特异性统计量均未接近阈值，最小p值为0.21；最长字母与空格连续串为11个字符，随机重排集为10至16；搜索确实返回英文单词，最长者为"kowtow"，其返回率与随机重排序列相当；最佳计数序列为5比特字中的8至13，最佳素数序列为7比特字中的37、41、43、47，均在零分布范围内；与任何常数的最长匹配为19位数字，随机重排集为18至26。次要集结果一致，任何次要集中均无信息特异性统计量通过阈值。通用结构与对照DNA比较：试点主要集中全部八项通用统计量均超过阈值地偏离随机重排序列，区块更具可压缩性、重复性和周期性；对照DNA以相似或更大程度偏离其自身随机重排序列；直接与配对对照比较，区块重复性略低、周期性略低，其较低熵可由碱基组成解释。经典元件的确认性检验：预测成立，16项信息特异性统计量在481个经典元件中均未通过阈值（对500组预设随机重排及扩展2000组比较，最小p=0.0050）；八项通用统计量中七项如预测通过阈值。结果不如试点干净：五项信息特异性统计量校正前p值低于0.05，均测量周期性或重复性，每项极大值均来自单个元件（uc.414的精确矩形栅格、uc.232的倍增序列、uc.184的一位重复、uc.393的任意宽度栅格、uc.296的周期性）。按与试点重叠划分不改变结果：213个无共享序列元件中无统计量通过阈值（最小p=0.004），268个重叠元件中亦然。事后分析：三碱基周期性——经典集中的栅格信号限于三的倍数行宽，编码子相位保留重排及三核苷酸排列下外显子层的周期性过量消失；按原始标签分层，周期性位于外显子元件（111个外显子元件平均周期3功率2.68，对256个非外显子元件1.88，Mann-Whitney p=0.0003），且集中于68个与编码序列本身重叠的元件（平均3.09，对非外显子p<0.00001），27个仅与 untranslated 区域重叠的元件（2.10）与非外显子元件无差异（p=0.33）；栅格、重复及倍增极大值在两种编码感知零模型下持续存在，因每项均为单元素驱动的极大值，剔除该元件后信号消失（如uc.414精确矩形栅格p从0.006变为0.20）。框定检验：区块长度未富集两素数乘积。检测限：明文在两个集中均需17个字符（两位编码中68碱基，一位编码中136碱基）；常数数字串试点需27位、经典集需25位；143比特填充图像在试点98%、经典集99%试验中检出；周期3至11的重复基序在试点跨越50比特、经典长度元件中60至80比特时总能检出；植入实验证实检测在 stated 限的一至两个字母或数字内从罕见转为确定。
讨论部分总结：本研究始于一个实际问题——信息须置于何处方能存续数亿年？答案为自然选择保持不变的序列，指向超保守元件。此前搜索者所察之处均不适于保存信息：最早研究的病毒基因组进化迅速，后来研究的遗传密码虽稳定但容量有限。超保守元件本身除一次非正式检视外未经检验，现已经正式检验，未发现所测试类别的信息。在两个数据集中，每种两位编码及二对二二元编码下，16项预设信息特异性统计量均未通过校正阈值；搜索返回的与随机重排序列相同：11或12个字符的字母连续串、偶发英文单词、短连续整数与素数串、19位数字的数学常数匹配。本研究并未报告结构缺失：超保守序列较其保留二核苷酸的随机重排序列更具可压缩性、重复性和周期性，偏离零分布3至12个标准差；此为基因组DNA的一般属性，对照片段以至少同等程度偏离其自身随机重排序列所证明；直接与邻近非保守DNA比较，区块重复性和周期性略低，其较低熵由碱基组成解释。因此基于随机重排的零模型不是判断这些元件异常秩序主张的正确标尺；仅将保守序列与随机化序列比较的搜索会在存在普通生物学之处报告强信号。确认性检验产生唯一需解释的结果：五项对周期性或重复性敏感的信息特异性统计量校正前低于0.05，精确矩形栅格统计量达0.006（2000组时为0.0050）；结果初现时提出的解释——密码子周期性——随后经直接检验：按原始研究外显子标签分层，三碱基周期性存在于外显子元件而缺席于非外显子元件，保留密码子位置组成的随机重排产生相当过量，此模式与众所周知的三碱基周期性密码子结构一致；栅格与重复极大值有相关但不同且同样常规的解释：每项均与携带短串联重复（(CCT)5串、CAG密码子重复或(CCAA)3串）或低复杂度片段的单个元件重合，剔除该元件后每项信号消失；此类重复是基因组序列最常见特征之一，为寻找行间相似性而构建的检测器会对其响应。所有这些分析均在确认性结果出现后设计，属探索性，检验了多个分层和零模型，其p值未对此校正；其价值在于描述性：鉴定每项接近阈值统计量背后的序列，表明其与编码相关组成或重复序列特征一致而非信息样模式，但未证明因果。零结果的价值在于其陈述的检测范围：本搜索本可检测17个字符的明文、一个熟悉常数的25至27位数字、5比特字中八个连续素数或143比特填充图像（表6），植入实验证实这些大小为检测近乎确定的点（表7、图3）；含七个或更多字母单词的英文文本可在更短长度被发现，但仅因词典本身即为信号；更短者无法检测，因跨60种编码和超过100000碱基的搜索会偶然返回此类片段；限制由元件自身施加：试点中位长度68碱基、经典集中位243碱基，单个元件至多容纳数十个字符，且元件沿染色体的顺序不保守，信息无法跨元件按序读取；数学序列正是提议星际信息所偏好的内容，因其在短跨度内可识别，而在本文可用长度下它们不存在。若干类信息超出此类分析的范围：加密或压缩信息在构造上与随机序列统计不可区分；未检验的符号大小或字母表编码（如每字符三碱基的文本或每碱基两比特的图像）未测试；分析亦无法涉及签名存在于遗传密码而非序列中的提议，或无信息的定向泛种论假说；结论相应受限：在所陈述的编码和大小范围内，该假说未能通过本可通过的检验。研究局限性包括：试点位点来自为系统发育学设计的探针集而非基因组普查；51个区块在某一物种于同聚物串内携带插入或缺失处结束于真实边界前数碱基；确认集在481个元件中263个与试点共享序列，故两阶段为固定程序的前瞻性应用而非独立重复，尽管在213个无重叠元件中结果不变；分析计划在经典元件评分前固定且预测达成，但未在外部分注册，故为前瞻性设定而非预注册；500组随机重排无法分辨低于0.002的p值，经典元件扩展至2000组解决了主要比较但未解决试点和次要集；试点中人类序列来自hg19组装，经典元件定义于更早组装，但精确保守性使组装选择对序列本身无关紧要；分析代码由生成式人工智能系统产生，同一系统独立实例重新实现两个数据集全部24项统计量，但此为单一系统内验证而非外部验证，完整代码和数据已存档供检查和重执行。该方法可复用：统计量组合连同阳性对照和效力分析可应用于任何提议的载体序列，与侧翼DNA的比较为区分基因组普通统计纹理与设计提供了通用检查。研究结论翻译：超保守元件是数亿年间最能够保存信息的序列之一，本研究以预先设定并首先证明有效的检验对其进行了信息搜索。未发现文本、数学内容或图像，这些序列确实含有的秩序为DNA的普通秩序，不大于其旁非超保守DNA的秩序。唯一接近阈值的发现——经典元件中的图像样信号——限于与蛋白质编码外显子重叠的元件，在探索性分析中与密码子相关碱基组成及单个元件中的短串联重复序列一致，而非与信息一致。该搜索本可检测17个字符的明文、一个常数的25至27位数字或一幅143比特的填充图像，植入实验已证实。更短、加密或不同编码的信息无法排除，结论限于所测试的信息类别、编码和统计标准。在这些限制之内，异常保守的脊椎动物序列已经过检验，未发现携带信息。
