LoGIC：跨物种局部基因簇整合目录

《Nucleic Acids Research》：LoGIC: a cross-species local gene-cluster integrative catalog

　　

同源基因，尤其是那些位于相近基因组位置并形成基因簇的基因，常具有补偿性作用，因此对这些基因的功能及相互关系的解析构成显著挑战。一个整合多模态信息的局部同源基因簇综合数据库将极大促进此类研究。本研究构建了LoGIC（https://omicslab.genetics.ac.cn/LoGIC/），即局部基因簇整合目录（Local Gene-cluster Integrative Catalog），收录了从30个代表性真核物种中鉴定出的20 306个局部基因簇。除每个基因簇的基本基因组特征外，LoGIC还允许研究人员检查簇内基因成员的序列相似性、物种内成簇基因的功能偏好以及基因簇的跨物种保守性。对于人类基因簇，还提供组织全表达谱信息以及与染色质Hi-C结构关系的信息。总之，LoGIC可促进串联基因复制（tandem gene duplication）、旁系同源功能分化（paralog functional divergence）、谱系特异性基因家族扩张（lineage-specific gene-family expansion）以及跨物种同源基因簇的进化保守或重塑（evolutionary conservation or remodelling）等研究。

基因簇（gene clusters）是位于基因组近邻区域、属于同一蛋白家族且功能相关的一组基因，通常通过局部基因复制（local gene duplication）形成，其成员可位于DNA双链中的任一条链上，往往共享特征性蛋白结构域并具有相似功能。例如，人类HOX家族转录因子是机体发育和肿瘤发生的关键调控因子，在人类基因组中组织为四个基因簇，每个HOX基因簇内成员不仅呈现不同的表达模式，还具有部分重叠的功能，如HOXA簇基因沿头尾轴的协调表达以及HOXA5与HOXA6在调控轴向骨骼模式中的共同作用。这种复杂情况同样存在于许多其他基因簇中，为解析基因簇内单个基因的功能带来了相当大的挑战。基因簇内成员的协调或分化表达不仅受转录因子调控，还受高阶染色质结构（如染色质环化介导的增强子-启动子相互作用）的控制。进化保守信息对研究基因簇同样重要，由于基因簇通常通过串联或近端复制扩张，簇中新成员的出现可能在某一物种中引发新功能化（neofunctionalization）。因此，一个编目所有基因簇及其表达、基因组位置和系统发育保守性的数据资源将极大促进基因簇相关研究，然而目前尚无包含所有这些信息的数据资源可用。为满足这一需求，研究人员开发了LoGIC，这是一个可公开访问的数据库，利用基于MeanShift的方法定义动态簇距离并在30个代表性物种中识别高置信度局部基因簇，该数据库在用户友好的网络门户中整合了局部基因簇的定位、表达、功能和保守性注释。研究人员预期LoGIC将成为不可或缺的社区资源，尤其有助于解析多基因家族内的功能冗余与分化。

**研究背景与问题**

基因簇是位于基因组近邻区域、属于同一蛋白家族且功能相关的一组基因，通常通过局部基因复制形成。簇内成员常具有补偿性作用，其功能冗余与分化给单个基因的功能解析带来显著挑战。基因簇内成员的协调或分化表达不仅受转录因子调控，还受高阶染色质结构（如染色质环化介导的增强子-启动子相互作用）控制；同时，进化保守信息对于理解基因簇扩张与新功能化具有重要意义。然而，现有数据库如BiG-FAM、EvolClustDB和CEG 2.0要么仅关注微生物基因组中的基因簇，要么提供的信息类型有限，尚缺乏一个跨物种、多功能的局部基因簇综合数据资源。为此，研究人员开展了LoGIC数据库的构建工作，旨在整合多模态信息以促进串联基因复制、旁系同源功能分化、谱系特异性基因家族扩张及跨物种同源基因簇进化保守或重塑等研究。该论文发表于《Nucleic Acids Research》。

**关键技术方法**

研究人员聚焦30个代表性动物物种（包括常用模式动物、进化关键动物和人类），从Ensembl 116和Ensembl Genomes 63数据库经BioMart获取基因ID、基因名称、基因组坐标、基因本体（GO）术语及InterPro结构域/家族注释，并整合InterPro protein2ipr资源以提升注释完整性；人类三维基因组注释（包括loops、拓扑关联结构域TADs和PC1隔室轨道）来自3D Genome Browser 2.0数据库，共纳入592个来自不同人类组织样本和细胞系的Hi-C结果；跨物种基因直系同源关系依据Ensembl 116、OrthoDB 12.2和NCBI Orthologs注释确定；人类基因表达数据来自GTEx Analysis V10。基因簇鉴定采用双组分高斯混合模型确定物种特异性簇长度阈值，结合高斯核MeanShift方法识别候选簇，并以BLASTP v2.17.0+进行序列相似性过滤；多序列比对使用MAFFT v7.526；直系同源基因推断使用OrthoFinder v3.1.5，并辅以Ensembl、NCBI和OrthoDB注释。

**研究结果**

**30个物种中基因簇的鉴定**：研究人员首先检索InterPro注释的已知蛋白家族，应用双组分高斯混合模型比较同蛋白家族基因的距离分布与相邻基因间的随机基因组间隔，利用高斯核MeanShift方法确定局部基因簇最大长度，生成物种特异性搜索阈值，结合共享蛋白结构域和序列相似性的一般要求，在30个物种中鉴定出总计20 306个候选基因簇，包含87 971个基因成员。各物种局部基因簇数量差异较大，例如人类基因组中发现770个局部基因簇包含3 517个成簇基因，而另一灵长类猕猴仅鉴定出697个簇包含2 844个基因，这种差异可能由进化分化或基因组注释不完整所致。

**局部基因簇的一般信息**：LoGIC的Overview页面展示各物种基因簇总量和成簇基因数，用户可选择目标物种检查簇长度分布和基因成员统计。基因簇长度从几千碱基到几兆碱基不等；尽管含两个基因的簇最为常见，某些物种中最大基因簇可含数百个成员，如小鼠最大基因簇含225个成员，跨越2号染色体4.8 Mb。选择目标物种后，Overview页面底部以排名表展示前20个最大局部基因簇，多数为哺乳动物中的嗅觉受体和免疫球蛋白。

**目标基因簇探索**：Species模块提供所选物种所有基因簇的染色体级浏览，呈现簇信息表格视图和集成基因组浏览器；Search模块支持通过Ensembl基因ID或基因符号直接检索基因簇（基因符号支持模糊匹配），以及通过基因组位置、IPR家族名称、簇大小、簇长度或GO术语注释筛选基因簇。选定基因簇后展示多层级信息，包括基因组成与基因组信息、可缩放基因组浏览器、多序列比对结果、GO注释图形展示、Hi-C信息浏览器、基于GTEx的相对表达热图（仅人类数据）以及每个基因成员的蛋白结构域注释卡片。

**成簇基因的功能模式**：Function模块允许用户研究各物种内基因簇的GO注释富集情况，可通过"All"功能探索所有基因簇的整体GO术语富集状态，通过GO术语层级树导航（"Select"功能）或直接输入GO术语名称（"Input"功能，带人工智能辅助GO术语提示）研究特定GO术语与基因簇的关系，每个富集GO术语链接至所有相关基因簇，点击簇名可生成展示该簇所有基因成员全部注释GO术语的矩阵，便于研究簇成员间的功能相似性和不一致性。

**基因簇的跨物种保守性**：Evolution模块提供基于人类基因簇的保守性分析功能，用户可选择任一人类簇检查其在其他29个物种中的保守状态。研究人员基于基因直系同源和簇结构计算保守性评分，每个物种仅展示最佳保守直系同源基因簇；全参数可排序动态表支持按保守性评分、簇ID、簇大小、保守物种和基因名称选择目标基因簇；选定后自动生成簇内所有基因成员的跨物种保守状态热图，并可通过比较人类基因簇与任选物种调取基于桑基图的直系同源基因和基因簇图谱，还提供GO注释矩阵用于检查所选人类基因簇与其跨物种直系同源物之间的功能关系。

**示例使用与信息解读**：**组蛋白的簇内分化与跨簇比较**——通过Species模块浏览可发现人类基因组中多个组蛋白基因簇，如6号染色体27 800 000–27 900 000 bp区域包含H2AC、H2BC、H3C和H4C基因簇，LoGIC可识别其交错基因组分布并审查序列关系、功能偏好及表达模式。H2AC簇含五个经典H2A基因（H2AC13、H2AC14、H2AC15、H2AC16、H2AC17），H2BC簇含四个经典H2B基因（H2BC13、H2BC14、H2BC15、H2BC17），相同编号的H2AC和H2BC基因互为近邻，但H2BC16为例外。通过"Search by Gene"查询发现人类H2BC16为假基因，故未纳入基因簇。多序列比对功能可检查簇内或跨簇基因成员间的序列相似性；GO注释显示这些成簇组蛋白可在外泌体中被检测到，源自近期报道。Hi-C信息可检查人类基因簇与染色质高阶结构的位置关系并比较不同组织细胞类型间的Hi-C结构变异，如H2AC簇在人造血干/祖细胞中位于同一TAD内，但在淋巴B细胞中H2AC16和H2AC17被排除于TAD结构之外；GTEx数据揭示在EBV转化淋巴细胞中H2AC16表达高于H2AC簇其他成员，提示EBV感染可能通过重组染色质TAD结构改变淋巴细胞基因表达。**超保守或人类特异性基因簇的鉴定**——通过按保守物种数排序可观察到最保守的人类基因簇在其他27个物种中保留了成簇基因组排列，其中半数最保守簇由HOX家族基因形成；已知HOXA、HOXB、HOXC和HOXD基因簇在进化中高度保守（线虫和果蝇除外）。搜索HOX可发现生殖相关HOX基因簇RHOXF基因簇（CL0915_3g_Xq）。检查人类SIX基因簇保守状态发现其在哺乳动物中保守，但在真骨鱼类中存在额外复制。通过检查其他物种中无保守同源簇的基因簇可发现多个核孔复合体 interacting protein家族（NPIP）基因簇（CL0649_3g_16p、CL0652_3g_16p、CL0653_2g_16p、CL0660_2g_16p），与既往报道一致，即NPIP基因家族是人类受到最强选择的基因家族之一并从猕猴到人类经历了广泛扩张；Cross-Species Ontology功能显示这些簇由人类特有的基因复制事件形成。

**讨论与结论**

成簇基因的物理近邻使有益基因组合作为单一连锁块遗传，因而基因簇是真核基因组中的特殊功能单元。尽管基因簇的重要性已被充分认识，但全面的多功能局部基因簇数据资源仍然缺失。为构建跨物种基因簇目录，研究人员首先开发了物种定制化的基因簇识别方法：由于基因密度在物种间差异显著，常用的固定最大基因间距离或最大间隔基因数方法不适用于所有物种，LoGIC首先使用双组分高斯混合模型表征同家族基因的染色体分布，统计计算物种特异性阈值h以约束局部基因簇最大长度，在此基础上采用以h为带宽的MeanShift聚类方法而非将其作为硬阈值定义固定窗口，使算法能够更严格、准确地识别基因簇；例如小鼠最大基因簇含225个成员跨越2号染色体85 400 000–90 300 000 bp区域，而该簇在大鼠中的直系同源对应簇分裂为四个相邻簇，其簇内成员距离更小而簇间距离更大，LoGIC捕捉此类跨物种差异的能力体现了其生物学合理性。此外，LoGIC使用BLASTP和bitscore过滤方法验证和过滤基因簇识别结果，确保在完全数据驱动的阈值设定流程中结果的可靠性；经验证，LoGIC成功识别了不同物种中所有已报道的基因簇，包括许多高度保守的基因簇和一些物种特异性基因簇，如果蝇的CPR表皮蛋白簇和斑马鱼的趋化因子簇。LoGIC结合了数据信息收集和数据分析功能，不仅展示基因簇的静态一般信息，还提供动态分析功能以帮助用户更好地理解基因簇的基因组分布、功能富集和进化保守性；例如成簇基因的GO富集分析揭示嗅觉受体基因在大多数哺乳动物中表现出强烈的成簇倾向。为更好地辅助人类相关研究，LoGIC整合了人类基因的GTEx表达数据和Hi-C结构数据，并以人类基因簇作为保守性分析的锚点，这些功能也成为LoGIC的关键优势。需要注意的是，LoGIC的结果可能受参考基因组组装质量、基因注释和InterPro覆盖度的影响，某些基因簇在物种间的明显差异可能反映技术伪影（如基因组组装错误或基因注释不完整）而非真实进化变化；同样，人类基因簇成员间展示的表达和三维结构仅来自某些可用数据集，可能无法推广至其他条件；LoGIC将定期更新以纳入新数据或基因组注释以尽量减少这些影响。总之，LoGIC为探索多个真核物种中的局部基因簇提供了全面且交互式的数据资源，通过整合多种类型数据，使研究人员能够高效研究基因簇成员变异、功能分化和谱系特异性适应的复杂动态；研究人员预期LoGIC将成为一个有价值的平台，用于生成可检验的假设并加深对成簇基因调控和进化机制的理解。