：诺禾致源与全球科学家合作研究生命科学和人类健康

随着生物数据采集技术的不断突破和更新，由此产生的海量数据要求我们具备更强的数据处理、计算和分析能力，多组学的发展使我们从更系统的角度探索生命的机制。

Nature Index“全球五大科研国”专刊- ADVANCING GENOMICS AND BIOINFORMATICS

3月10日，《自然索引》在世界五大科研国家纪念特刊上发表了《推动基因组学和生物信息学的发展》一文，为全球科学家提供了生命研究的新思路。

诺之源始终关注全生命领域的研发，包括人、动物、植物、微生物。本文通过多组学数据分析农业育种和癌症治疗的研究案例，详细展示了基因科技企业如何以可靠的科研服务，与世界领先的科学家共同推动生命科学前沿研究的发展。

诺之源的创始人李瑞强是一名生物信息学家。他说，“测序通量的快速增长和成本的大幅下降，使得高通量测序技术广泛应用于动植物、微生物和人类医学等众多生命科学研究领域。自2011年诺和致远成立以来，我们已与六大洲约70个国家的5600多所大学、科研院所、医院和企业达成合作。”

诺致远的团队整合了基因测序和生物信息学分析技术的全链条服务能力，参与和支持的科研项目遍布全球。

诺之源首席科学家田世林博士团队与河北农业大学教授、国际欧亚科学院院士马志英合作，确定了一系列与棉纤维品质和产量相关的基因组变异和位点及其分布规律。研究成果分别于2018年和2021年发表在《自然·遗传学》上。

通过对天然棉花群体基因型和表型基因组的关联研究，研究人员希望利用等位基因突变位点和候选基因的鉴定进行分子选择和遗传操作，以获得更好的棉花品种。2018年，他们专注于陆地棉的基因组研究，约占全球棉花产量的90%。他们研究了在不同气候和栽培条件下，通过长期自然选择和人工育种获得的419个陆地棉核心种质的基因组重测序数据，分析了12个种质在不同环境下的表型数据。最后，基于单核苷酸多态性集合对13个纤维品质和产量性状进行了全基因组关联研究。

诺禾致源实验工程师正在构建待测基因组

我们对现代棉花品种的基因组序列信息以及结构变异的遗传规律和效应还缺乏深入的了解。“所以在2021年，我们继续完成两个现代棉花品种的基因组图谱。”田世林说，“组装准确、高质量的参考基因组是我们面临的第一个挑战。这两个基因组填补了现代棉花品种基因组序列图的空空白。”

发现了影响农艺性状的大规模结构变异。在446个显著相关的SV中，促进产量增加的SV主要位于at亚基因组，而Dt亚基因组中结构变异的发生率更高。分析表明，Dt亚基因组在物种形成和品种选育过程中被强烈选择，为棉花生产更好的纤维品质和黄萎病抗性提供了可遗传变异。“我们的研究启发了基因测序和生物信息学研究的新思路，并为其他作物育种研究提供了有效的参考信息。”他说。

文章还报道了诺和致远的海外合作项目之一:测序技术为临床研究和应用提供了更多可能性。

由于体细胞突变的积累，癌症可以导致不同细胞群的形成，称为克隆，这是复发和耐药的主要原因。体细胞突变分析是一种检测癌症的标准方法，用于识别对治疗敏感或耐药的突变，以便医生和患者根据个体肿瘤的特点选择相应的靶向治疗。

诺之源与国际学术界的研究合作延伸至进化基因组学和患者抗癌药物敏感性预测。恶性胸膜间皮瘤是一种罕见且无法治愈的癌症，与长期接触石棉有关。"英国是世界上MPM发病率最高的国家。"莱斯特大学胸腔肿瘤科主任芬内尔博士表示，间皮瘤在患者体内形成平均需要30年。然而，进化的路径仍然是未知的。了解MPM如何进化可以帮助我们识别和优先考虑克隆的药物靶点，以支持有效的治疗。

诺禾致源实验中心

MEDUSA项目是一个转化研究平台，用于建立预测模型，对现有疗法进行分层，同时通过整合多组学、表型和药物反应数据，发现新的治疗漏洞。诺致远生物信息学总监张敏正在与Fennell博士合作搭建美杜莎平台。大规模基因测序项目涉及海量数据，对存储和分析提出了新的挑战，突变数据的解读需要大量时间。但基于深度学习的人工智能系统，数据模型变得更加高效，比如通过机器学习中的进化聚类，将遗传算法应用于聚类分析。

在2021年发表在《自然通讯》上的研究中，芬内尔博士和张敏的团队整合了22名接受根治性间皮瘤切除术的患者的多区域外显子测序、转录组和多种免疫表型分析。通过机器学习，重复的进化模式表现出保守的突变序列，海马通路的失活被确定为进化的瓶颈。在这项研究中，在不同的进化群中确定了与疾病发展和患者炎症微环境相关的典型进化模式。

“与诺和致远一起，我们的合作系统发育分析揭示了MPM的进化局限性和特定进化轨迹的临床影响的新见解，”芬内尔博士说。他们的研究成果于2021年发表在《柳叶刀肿瘤学》上。研究还表明，克隆结构和进化簇决定了MPM的炎症和免疫逃避，这可能影响免疫检查点抑制或靶向治疗的响应。

该团队正在应用机器学习来破译强大的基因组特征，这些特征可以预测对靶向治疗的反应，测序MPMs，外植体和用药物治疗的原代细胞系，使用来自临床试验中接受治疗的患者的外显子。反应预测值将在Fennell博士领导的独立临床试验队列中得到验证。

“诺和致远帮助优化了临床前和临床研究中的研究方案和数据分析模型，实现了可靠的推断。团队合作使我们能够更快地提高分析和解释复杂基因组的能力。”芬内尔博士说。“未来的研究有望将我们的分析扩展一个数量级，并涉及基因组和表观基因组数据的更广泛整合。”

同时，张敏指出，随着测序成本的降低，越来越多的基因组超大队列研究项目在全球范围内广泛开展。随着大型队列项目的开展，海量数据的存储和计算将成为生物信息学分析的一大挑战。虽然有一些优秀的分析软件可以高效地分析整个基因组，但目前没有一个软件可以检测基因组中的所有突变类型，突变数据的解释也是临床基因检测研究的一大挑战。因此，基于深度学习的人工智能系统可以通过不断学习和不同类型的知识库，对生物信息做出更全面的解读，辅助临床诊断。“我们致力于为全球科学家提供基因测序技术和多组学集成研究技术服务体系，解决他们的科研、应用转化、临床和诊断需求。”

欲了解更多信息，请访问链接:

https://www.nature.com/articles/d42473-022-00041-0