组学数据在医学中的应用案例
在人类基因组计划开始之初，科学家就希望从人类的“构造蓝图”本身审视自身，可以直接地从“构造蓝图”本身解释疾病的发生发展，从疾病产生的本源之处治疗它。当时的科学家有点过于乐观地估计了生命的复杂性，后来的研究表明，单单解读DNA的分子序列并不能锯释众多基因和生物分子的运行规律。但是人类基因组计划带来的一个贡献是，发展出了由“数据驱动”的“组学”研究模式。不同于传统的“假说驱动”型研究，“组学”研究在一定程度上并不仅仅依赖于现有的知识与理论。通过一些高通量分子测定技术对某一类生物分子进行基因组适度、全面地测定与描述，可以从所获得的数据中提炼潜在的科学现象。这一种研究模式为研究复杂疾病打开了新的思路与技术路线。从近年来医学的发展趋势来看，基础生命科学研究和临床医学之间的鸿沟正在被逐渐打破，它们互相交叉、渗透形成了许多新兴领域，如个体化医学。各种“组学”技术正被广泛地应用到各种疾病的研究和诊疗当中。本节整理了一些“组学”大数据技术在医疗领域的应用，供读者参考。
1.基因芯片与测序技术在遗传性疾病诊断中的应用
遗传病诊断是一项复杂的工作，基因诊断技术作为遗传病诊断的重要方法，近年来已逐步从实验研究进入了临床应用。基因诊断始于1978年，应用限制性酶切片段长度多态性（restriction fragment length polymorphism，RFLP）技术检测胎儿镰状细胞贫血症。其主要手段是采用分子生物学技术检测体内特定基因结构以及其表达水平的变化从而对遗传病做出诊断。然而传统的分子生物学技术仅能对特定的少数基因进行结构及表达的检测，面对由多对位点控制的复杂遗传疾病，传统的方法花费较大，耗时也较长。近些年来兴起的基因芯片技术以及高通量测序技术以其高通量、低成本的特点，很好地弥补了传统方法的不足。这类高通量技术可以同时对多达上万个基因的结构及表达变化进行检测，可以一次性对多达上百种遗传病加以筛查。目前基因芯片技术已在临床应用阶段取得了一定的进展。例如，2008年Combimatrix Molecular Diagnostics公司发布了一款芯片技术的遗传病检测产品。该芯片包含有与125个已知遗传病相关联的基因组位点的探针，同时也可以在平均1 MB的分辨率下检测一些未知的遗传疾病。而最新发布的Signature Chip OS则拥有105000寡核苷酸探针，包含了与150多种遗传病相关联的基因组位点40%。也就是说这款产品可以一次性对150种遗传病进行检测并做出诊断。而近十年来兴起的高通量测序技术则是大规模遗传病筛查上的后起之秀，虽然目前市场份额还不是很大，但却是发展最快的一种基因诊断技术。相比芯片技术，其覆盖度、准确率和分辨度都更高。目前，高通量测序技术已开始广泛应用于寻找疾病的候选基因上并已开始进入临床应用阶段。最新发表于新英格兰医学杂志上的一篇报道中，研究人员运用基于高通量测序的游离DNA（cell－free fetal DNA，cff DNA）检测技术对1914名怀孕妇女进行唐氏综合征的筛查，结果显示这一新型的筛查方法在准确率上要远超传统的检测方法。癌症基因组云图计划（TCGA）通过全基因组高通量测序技术，研究人员对每一例样本中的基因表达谱、基因拷贝数多态性、单核苷酸突变、甲基化状态、基因结构做了全面的检测。通过对各类组学数据的综合分析，研究者发现了一批可以用于癌症亚分型的分子标记。如根据EGFR、NF1和PDGFRA/IDH1的基因表达不同，神经胶质瘤可以被分为传统型（classical）、间叶细胞状型（mesenchymal）和原神经型（proneural）。这一发现很好地解释了为何不同的神经胶质瘤亚型在存活率以及预后上有显著的差别。根据这一结果，今后的临床研究将可以针对不同的亚型设计不同的治疗方案，或许将为个性化医疗提供帮助。研究者还对12种主要癌症中的单核苷酸突变整合起来加以研究，共发现了包括BAP1在内的7个基因的突变与患者的生存时间存在显著关联，这一发现将有助于解释癌症普遍存在的发生及扩散机制。
唐氏综合征（Down syndrome）是一种常见的常染色体畸变所导致的出生缺陷类遗传性疾病，又称21－三体综合征，总发病率约为1/800。传统产前筛查办法通过血清生化标记物，如血清中甲胎蛋白、人绒毛膜促性腺激素（HCG）、雌三醇、抑制素A和妊娠相关血浆蛋白A等，其中四联标记可以使阳性检出率达到85%。与产前筛查不同，产前诊断得出的是确切的诊断而非患唐氏综合征的风险系数。创伤性诊断主要通过羊水穿刺获得诊断结果，但存在1%左右的流产率。
1997年Lo等人首次发现母体外周血浆中含有胎儿游离DNA（cff DNA）。随后2010年Lo等人进一步证明母体外周血浆存在胎儿的全基因组碎片，在理论上证明了利用母体外周血浆重建胎儿基因组有可能作为产前诊断的判断依据。此类无创诊断不仅可以用于唐氏综合征和其他非整倍体疾病，如18－三体综合征、13－三体综合征，未来还可能用于血型检查，以及一些单基因病，如镰刀状细胞贫血症。基于高通量测序技术的唐氏综合征产前诊断主要有两种方法，一种是寻找来自胎儿分子标记物，如父源特异性单核苷酸多态性（single nucleotide polymorphism，SNP）以及特有的短串联重复（short tandom repeat，STR），以及某些胎儿特异性激活基因，胎儿特异性表达基因和胎儿特异性表观修饰基因。
另一种方法是利用唐氏综合征等染色体疾病患者与正常人染色体数目的差异，不区分胎儿来源和母体来源的DNA，直接通过高通量测序技术对cff DNA进行测序，随后通过识别测序片段由于染色体数目差异而在基因组上产生的覆盖度差异实现唐氏综合征等染色体疾病患者的诊断。研究表明该方法在对13，18，21染色体异常具有相当高的精度0.1对孕早期胎儿通过无创产前检测进行三染色体性筛查，其唐氏综合征阳性检出率大于99%，假阳性率为0.1%，而18三体综合征的阳性检出率也达到了80%～90%，假阳性率约为5%。
2.全基因组关联性分析
全基因组关联性分析（GWAS），隶属于遗传学上关联性分析的一个新分支，其目的在于检测特定物种中不同个体间的全部或大部分基因，从而了解不同个体间的基因变化有多大，以及这些变化和最终性状的联系。究其本质，GWAS研究就是一种特殊的大数据研究，这类研究一个显著的优点是不再需要在研究前进行任何假设（hypothesis－free）。即不需要预先依据那些尚未具有充分生物学基础来假设某些特定基因位点与复杂性状存在联系，是一种完全的数据驱动式（datadriven）探索，从而可以解决以往研究中可能存在的偏向。GWAS研究为研究者探索人类复杂性状的形成和复杂疾病的产生提供了了大量重要线索。和传统关联性分析（如单基因性状、家系连锁分析等）不同的是，得益于人类全基因组测序成果提供的信息，GWAS将研究对象从单基因水平拓展至全基因组大数据水平，使用单核苷酸多态性（SNP）或拷贝数多态性（copy number variation）作为标记，建立基因组与遗传性状的关系。GWAS研究可能有助于解决传统遗传学分析方法难以攻克的复杂性状遗传特征问题。
2005年Science首度报道了老年性视网膜黄斑变性（age－related macular degeneration）的GWAS结果，在科学界引起了极大轰动，此后一系列针对复杂性状GWAS陆续展开。在2013年Visscher的一个综述中而，统计了7种不同自身免疫疾病的GWAS研究成果，并指出自从2007年以来，GWAS数据帮助研究者找到了277个易感位点，而GWAS未出现以前，只有19个易感位点可供研究。到2013年1月为止，GWAS研究包括了人类身高、体重、血压等主要性状，以及视网膜黄斑、乳腺癌、前列腺癌、白血病、冠心病、肥胖症、糖尿病、精神分裂症、风湿性关节炎等几十种威胁人类健康的复杂疾病，累计发表了近万篇论文，确定了一系列疾病致病基因、相关基因、易感区域以及SNP变异，大大拓展了研究者对于复杂疾病遗传学特征的视野。此外GWAS的统计方法学也得到了极大的发展，这些成果被称为“GWAS第一次浪潮”。
目前最权威的GWAS数据库来自美国国家人类基因研究所（National Human GenomeResearch Instit ure）。该数据库截至2012年6月，收集了1271份已发表的GWAS报告，其中139份报告为WAS的元数据分析，他们来自20份不同的权威杂志。该数据库数据来源是大规模SNP测量的报告（每一个报告中测量的SNP至少有100 000个），并从中选取与性状关联P值小于10－1的敏感SNP作为查询源。该数据库中将各类疾病根据性质进行分类，并且可以批量下载数据，是目前GWAS研究中最全面的数据库。
1）Meta GWAS案例1：老年痴呆症(https://www.daowen.com)
在这个老年痴呆症的基因组关联性研究中，研究者采用元分析（meta－analysis）的方法，将4个独立的基因组SNP数据集整合并进行统计分析，然后通过与另外两个独立数据集进行进一步筛选，成功地找到2个全新的老年痴呆症的敏感位点（susceptible loci）。研究者还将这种元分析方法，应用在一些之前发现的潜在敏感位点（P值低但未到达显著性阈值），成功地复原了3个敏感位点，证明了元数据分析方法对于基因组关联性数据分析的可行性与优越性。
2）Meta GWAS案例2：2型糖尿病
在这个研究里，研究者将两组独立的2型糖尿病基因组关联性分析数据合并后进行元数据分析，成功地发现了12个新的2型糖尿病敏感位点。随后为了解释这些敏感位点与2型糖尿病发病机制之间可能存在的联系，研究者从生理角度（胰岛素代谢）、基因表达角度（eQTI。）以及通路角度分别对这些敏感位点进行了关联分析。研究者发现基因HNFl A、HMGA2以及KLFl4附近的位点很有可能与2型糖尿病有直接的联系（与胰岛素功能以及这些基因表达有关联性）。这些发现对于解释糖尿病2型提供了新的可研究基因以及机制假说。
3）Meta GWAS案例3：强直性脊柱炎
来自中山大学第三附属医院的研究团队首次对强直性脊柱炎发生的遗传因素进行研究。他们对超过1 800名患有强直性脊柱炎的患者和超过4 000名正常人的超过1×107个常染色体SNP进行了全基因组关联（Gw AS）分析。随后，他们又将通过大规模GWAS分析获得的30个高可信度SNP在超过2 000名患者中进行了验证。他们的研究结果发现了2个全新的位点可能与强直性脊柱炎的发生相关，它们分别是位于5号染色体的rs4552569和12号染色体的rsl7095830。这两个位点分别位于骨细胞相关基因EDIL3、HAPLNl和AN06、HAPI。N1附近。目前主流观点认为强直性脊柱炎的发生主要是由于新骨形成过程中严重的异常炎症反应，而基于这些数据，他们首次提出了除免疫原因之外的潜在遗传因素，也可能造成该疾病的发生。
4）Meta GWAS案例4：血脂异常
墨西哥人和有美洲印第安人血统的人患血脂异常（dyslipidemias）和冠状动脉心脏疾病（coronary heart disease）的概率高于其他人群。2013年一篇全基因组关联分析（Gw AS）研究对4 316名患有高甘油三酯血症（hypertriglyceridemia）和低高密度脂蛋白胆固醇症（10whigh—density lipoprotein cholestero1.HDI。一C）的墨西哥人进行了分析，发现并鉴定了一个位于NPCI基因（rs9949617）附近的新的位点，该位点在墨西哥人中的分布情况表明它对血清甘油三酯（TGs）的含量有着重要的影响。NPCI是一种含有固醇敏感域的蛋白质，参与胆固醇从晚期内涵体/溶酶体的跨膜转运。同时，前期在欧洲人中研究发现的3个TGs位点（APOA5、GCKR和LPL）和4个HDLC位点（ABCA1.CETP，LIPC和LOC55908）在墨西哥人群中也有显著意义。随后，他们在功能分析中证明了其中的rs964184与餐后血清apo AV蛋白水平直接相关，暗示这可能是一个潜在致病突变位点。
3.疾病网络模式发现
鉴别致病的遗传突变只是解释疾病发生的第一步，更为重要的是人们需要知道这些突变产生作用的时间与发生作用的位置，只有这样人们才能真正了解疾病的发展机制与相应的治疗手段。经过过去半个世纪的研究，尤其是在近年来高通量检测技术的发展，人们对疾病与基因之间的关系有着大量的数据和知识积累。一方面对某一种特定疾病可以更深入地研究，另一方面可以从大数据的理念来整体研究疾病网络。整合大量的基因与疾病的关联，可以画出病一基因的双色网。在这个双色网中可以预测和疾病相关的基因，可以预测疾病的并发症，可以预测药物的副作用，也可以研究老药新用。
例如，自闭症又称孤独症（autism），是一种神经系统失调导致的发育障碍，其病征包括社交能力、沟通能力、兴趣和行为模式的不正常。迄今已发现了数百个潜在的相关基因。但是，其具体发生病变的遗传机制仍不清楚。在2013年，Neelroop N.Parikshak等人在Cell杂志发表了一篇关于自闭症研究的论文，他们将前人研究获得的自闭症相关基因与神经发育过程中的共表达网络结合，并试图利用自闭症相关基因从大脑时空发育的角度去探索自闭症的发生机制。他们成功地绘制出了自闭症相关基因的时空图谱，并发现自闭症患者的大脑皮质部分区域之间的一些神经回路问题产生于胎儿脑发育过程中，而非是自闭症产生后的结果。