从一个基因组，到一整架基因组
在上一篇里，你拼装并注释了单个基因组——把读段缝成染色体，又在基因周围画下最可能的边界线。可孤零零的一个基因组，就像一本你几乎不会读的语言写成的书：你看得见词，却分不清哪些承载着意义、哪些只是填充。人类基因组约有三十亿个字母，却只有大约两万个蛋白质编码基因，它们加起来只占序列不到百分之二。所以这一级最灼人的问题，不是*基因组里有什么*，而是*哪些部分要紧、它们各自在做什么*。[[molbio-comparative-genomics|比较基因组学]]用一个极简单的招法回答前半个问题：与其更用力地盯着一个基因组，不如把好几个并排摊开，让演化亲口告诉你它在意的是什么。
这套逻辑，立足于你在阶梯很靠下处见过的一件事：大多数突变是中性的，而改变会在数百万年里稳稳地累积。把它向前推演到许多源自同一祖先的物种身上，一种模式便浮现出来。无关紧要的序列会自由漂变——它像一堵旧墙招来涂鸦那样收集突变，直到两个物种的版本几乎认不出彼此。可那些*确实*在做要紧事的序列却无法漂变：那里几乎每一处改动都会弄坏基因，被[[purifying-selection|纯化选择]]——对有害变体的缓慢驱逐——悄悄清除。结果便是：要紧的 DNA 在物种之间顽固地保持不变，而无关紧要的 DNA 则乱作一团。保守，就是功能的指纹——而它只有在你去比较时才看得见。
直系同源、旁系同源，与基因的家谱
在你能跨物种比较基因之前，必须先把它们正确地配对起来，而这里藏着一个关键的区分。当你找到的人类基因和小鼠基因显然是亲戚——都源自人鼠最近共同祖先里*同一个*基因——它们就是直系同源基因。它们是「两个物种里的同一个基因」，是你想了解功能时要拿来比较的那一对，因为它们通常仍在做同一件工作。但基因也会在基因组*内部*增殖：一段 DNA 偶尔会被复制，留下并排的两份拷贝，这些拷贝及其后代便是旁系同源基因——生于复制、而非生于物种分化的亲戚。分清直系同源与旁系同源，是任何比较谨慎的第一步，因为把它们混为一谈，会悄悄地把建在其上的一切都败坏掉。
不过旁系同源基因并非噪音——它们正是演化发明新事物的方式。一个基因被复制之后，一份拷贝可以继续干原来的活，多出来的那份则得以自由漂变、捡起若只有单份拷贝时必定致命的突变。多数备份就这么烂成一个[[gene-families-and-pseudogenes|假基因]]——一段不再制造蛋白质的破残遗迹。但偶尔，那份被解放的拷贝会撞上一个有用的新角色，于是一个基因家族就此诞生——就像那一簇珠蛋白基因，全是同一祖先的旁系同源基因，如今分别专司在胚胎、胎儿和成人体内运送氧气。所以「复制，继之以分化」是生物学创造新意的主要引擎之一，而你能直接从一个基因家族的序列相似性模式里，读出它的整部历史。
读出选择：保守位点与 dN/dS
一旦直系同源基因被对齐，你就能把选择一直读到单个字母。把十几种哺乳动物里的同一个基因叠起来，一列一列地看：有些位置在每个物种里都*完全相同*，另一些则随意变化。那些冻结的列就是[[conserved-variable-sites|保守位点]]——一种酶的活性位点残基、一个关键调控因子紧紧攥住的那个碱基——在那些地方，改变是致命的，所以从未留存。变化的列容许改动，于是收集了改动。这张比对，作为一幅保守性的热图来读，是早在你做一个实验之前、就能指出*一个基因里究竟哪些字母在真正干活*的最有力方法。
对蛋白质编码基因，还有一件更锋利的工具，它倚靠的是你早已熟悉的遗传密码的冗余。由于密码是简并的，有些 DNA 改动会换掉氨基酸（一次*非同义*改动，dN），另一些则让蛋白质毫发无损（一次*同义*改动，dS）。同义改动对选择几乎是隐形的，于是它们以中性的背景速率堆积；非同义改动会改变蛋白质，因而被选择过滤。把这两个速率作为比值来比较——[[dn-ds-ratio|dN/dS 比值]]——就把那道过滤变成了一个数字。dN/dS 远小于 1，意味着改变蛋白质的突变正被清除：这个基因正受纯化选择，保守、要紧。约等于 1，意味着改动可以自由通过，暗示该序列不受约束。而那罕见的*大于* 1 的值，则是相反那股力量的警示旗——正选择，改变被主动青睐，这是一个基因正被推着演化的标志，就像一种免疫蛋白与病原体赛跑时那样。
align one gene across species, read each column:
human ... A T G C A C G G T A A A T C C ...
mouse ... A T G C A T G G C A A A A C C ...
chimp ... A T G C A C G G T A A G T C C ...
dog ... A T G C A T G G A A A A T C T ...
| | | | ^ ^ | | ^
conserved silent (dS) conserved varies
dN/dS < 1 -> purifying selection (gene matters, conserved)
dN/dS ~~ 1 -> little constraint (drifting / neutral)
dN/dS > 1 -> positive selection (change favoured)共线性，与保守的非编码岛屿
比较也能在单个基因的层次之上起作用。当你把两个物种的整条染色体对齐，会发现一些长长的区块，其中*同样的基因以同样的次序排列*——一片共有的基因邻里，原封不动地从共同祖先那里继承下来。这种被保留的基因次序叫做共线性，它极其有用：它让你把一个研究透彻的基因组里的知识，搬到一个刚测完序的基因组上（「小鼠里这个地标旁边的基因，应该就是人类里对应地标旁边的那个基因」），而共线性*断裂*之处，则标出了在演化时间里重塑了基因组的那些染色体重排——倒位、融合、易位。共线性，是即便单个字母翻腾不休、也依然存活下来的大尺度语法。
可比较最惊人的回报，落在*非编码*基因组里。回想那个过早的标签「垃圾 DNA」——那个以为我们基因组里蛋白质编码基因之外那 98% 都是惰性填充物的假设。比较基因组学优雅地拆穿了这个想法。扫描对齐后的哺乳动物基因组，翻出了成千上万段不编码任何蛋白质、却和最关键的基因一样保守的序列——其中有些在数亿年间几乎纹丝未变。这些保守非编码元件绝不可能是偶然冻结下来的；如此不懈的保守，只在纯化选择守护着某项功能时才会发生。而事实也证明，它们中许多正是调控开关——决定基因何时、何处开启的增强子及其他控制元件。演化一直在悄悄替我们把调控基因组标记出来；我们只是得去比较，才看得见那些标记。
功能基因组学：直接拷问基因组
比较告诉你某一段*要紧*；它很少告诉你*它在做什么*。为此，功能基因组学采取相反的进路：与其从演化推断功能，不如走遍整个基因组，一个位置一个位置地直接测量活性。一个调控蛋白究竟落在 DNA 的什么地方？哪些区域被转录成 RNA——哪怕它们不制造任何蛋白质？哪些段落被紧紧裹进沉默的染色质里，哪些又敞开、可及？这每一项都是真实、可测的信号，而在全基因组范围内读取它们，就把一串静止的字母序列，变成了一幅活的地图——记下在某种特定细胞里、每个部分正*在做*什么。
这里的里程碑式工程，是[[encode-project|ENCODE 计划]]——DNA 元件百科全书——一场庞大、多实验室协作的行动，要靠在许多细胞类型上叠加几十种这样的检测，给人类基因组的每一个碱基都指派一项功能。ENCODE 绘出了转录因子在哪里结合、哪些组蛋白标记装点着哪些区域、染色质在何处敞开，以及基因组有多少被抄录成 RNA。它的头条发现既轰动又有争议：基因组的一大部分都表现出*某种*生化活性。这听起来像是「垃圾 DNA」的最终死刑，但这里诚实至关重要——「具有生化活性」是个比「在自然选择加以维持这层意义上具有功能」弱得多的说法。有些普遍存在的活性是真正的调控；有些则是附带的噪音，是一个繁忙的基因组甩出的低水平普遍转录。这两种视角——保守 vs. 实测活性——是互补的，而最值得信赖的功能元件，正是被这两者*同时*标记出来的那些。
合起来：从序列里读出历史与功能
退后一步，这篇里的两半便咔哒一声合上了。比较基因组学把演化当作一场免费的、长达十亿年的实验：通过追问选择拒绝改动的是什么，它告诉你一个基因组里*哪些*部分要紧——保守的编码位点、低 dN/dS 的基因、冻结的非编码岛屿、被保留的共线性。功能基因组学接着直接拷问基因组，问这些要紧的部分*在做什么*——蛋白质在哪里结合、什么被转录、什么处于敞开状态——构建起 ENCODE 所开创的那张调控地图。一个从序列里读历史；另一个从细胞里读活性；而在两者中*都*亮起来的那些元件，正是你最可信赖的。
这也悄悄重构了那个关于复杂性的古老谜题。人类只携带约两万个蛋白质编码基因——比某些植物还少，按同样的数法也不比一条小小的线虫多——所以基因的*清单*不可能是让我们如此精密的原因。比较与功能基因组学指向了答案：差别大半活在调控基因组里，活在那张决定每个基因何时、何处发动的浩瀚开关之网中。基因是一份在动物间广泛共享的零件清单；而接线图，才是大量分化藏身之处。这正好把接力棒漂亮地交给这一级余下的内容——在那里，单细胞方法与系统思维会把这张*什么可能发生*的静态地图，逐个基因、逐个细胞地，变成*什么正在发生*的动态故事。