基因——天书中的段落与标点

——你的DNA里只有约1.5%是基因。剩下的98.5%是什么？"垃圾DNA"——20世纪生物学最大的误会。

你可能一直以为，"基因"就是"DNA"。不对。

DNA是整本书。基因只是书中的某些段落——那些编码蛋白质（或功能性RNA）的、有明确生物学功能的段落。

在人类31亿个碱基对中，编码蛋白质的基因部分只占约1.5%。

剩下的98.5%，曾被称为"垃圾DNA"（junk DNA）。几十年后我们才尴尬地发现——那根本不是垃圾，那是说明书的说明书。

人类基因组中不编码蛋白质的比例

基因的精密解剖

一个典型的真核生物基因，在DNA上长这样：

一个典型真核基因的结构（简化版）

关键组件逐一解析

1. 启动子：基因的"开关"

启动子位于基因上游（5'端），是RNA聚合酶绑定的地方。经典序列包括：

• TATA盒（TATAAAA）：约在转录起始点上游25~30个碱基处。是"这里的DNA容易打开"的化学信号。
• CAAT盒和GC盒：在更上游的位置，被特殊的转录因子识别。
• 增强子（Enhancer）：可以距离基因数万个碱基对远——甚至可以在基因的另一侧——但通过DNA环化被带到启动子附近，大幅增强转录。
• 沉默子（Silencer）：增强子的反面——结合抑制蛋白，关掉基因。

2. 外显子和内含子：密码和填充物

外显子是基因中被翻译成蛋白质的序列。内含子是夹在外显子之间的间隔序列——转录到mRNA前体中，但在剪接时被切除。

人类基因平均有约8.8个外显子，但变化极大：有些基因只有1个外显子，而肌联蛋白（Titin，人体最长的蛋白质，分子量约3800kDa）的基因多达363个外显子。

3. 终止子：句号

基因末端的多聚腺苷酸信号（如AATAAA）指示RNA聚合酶在此停下，转录终止。

人类到底有多少个基因？

这个问题听起来简单，但答案一直在变：

• 1990年代初期估计：10万个（基于蛋白质数量推测）
• 2001年人类基因组草图公布：约3.0~3.5万个
• 2004年精炼版：约2.0~2.5万个
• 2024年最新估计：约19,900个蛋白质编码基因

两万个？等等——那岂不是比水稻（约3.7万个基因）还少？比水蚤（约3.1万个基因）也不如？

是的。基因数量不等于复杂性。

物种	蛋白质编码基因数量	基因组大小（碱基对）
人类	~19,900	31亿
小鼠	~22,000	27亿
水稻	~37,000	4.3亿
水蚤	~31,000	2亿
果蝇	~14,000	1.8亿
大肠杆菌	~4,300	460万

复杂性的秘密不在于"有多少基因"，而在于：

• 可变剪接：一个基因 → 多种蛋白质（前面已讲）
• 调控的复杂度：同样的基因在不同时间、不同细胞中被不同地调控
• 蛋白质修饰：翻译后可以加上磷酸、乙酰、泛素等200多种修饰，极大增加了功能多样性
• 非编码RNA：大量基因不编码蛋白质，而是产生有调控功能的RNA分子

"垃圾DNA"——21世纪最大的科学翻案

1972年，进化生物学家大野乾（Susumu Ohno）创造了"junk DNA"这个词。他的逻辑是：基因组中有大量不编码蛋白质的序列，它们就像进化过程中积攒的垃圾。

这个说法风靡了40年。

然后，ENCODE计划（DNA元素百科全书，2012年发布）狠狠地打了所有人的脸。

ENCODE发现：人类基因组的至少80%具有某种生化功能——虽然不编码蛋白质，但作为调控元件、作为非编码RNA的模板、作为染色质结构的锚定点……它们在基因组的调控中扮演着关键角色。

下面我们来认识这些"非基因"区域的主力军：

1. 转座子——基因组里的"跳跃基因"

转座子（Transposons）是能在基因组中"复制粘贴"自己的DNA序列。它们由Barbara McClintock在1940年代发现——在玉米中——因此获得了1983年诺贝尔奖。

人类基因组的约45%由转座子及其残骸组成。其中最著名的是：

• LINE-1（L1）：约6000个碱基对长，在基因组中有50万个拷贝。少数仍有活性。
• Alu序列：约300个碱基对，有超过100万个拷贝，占人类基因组的约11%。

大多数转座子已经"死"了——累积了太多突变而无法跳跃。但它们并非一无是处：有些转座子的序列被"驯化"成为了有用的调控元件；有些甚至被整合进了正常基因的功能中。

事实上，胎盘形成的关键基因之一（合胞素，syncytin），就是由远古逆转录病毒的env基因被"驯化"而来的。没有那次远古病毒感染，就不会有哺乳动物胎盘的进化。

2. 假基因——退役的基因副本

假基因是曾经有功能但积累突变后失活的基因的拷贝。人类基因组中有大约14,000个假基因。有些完全不表达，有些却能转录出调控RNA——虽不能产生蛋白质，但可能在RNA层面调控其"真身"基因。

3. 非编码RNA基因

有些基因转录出RNA但从不翻译成蛋白质。这些RNA本身就有功能：

• rRNA（核糖体RNA）：核糖体的骨架，占细胞RNA总量的80%以上
• tRNA（转运RNA）：翻译时的"搬运工"
• miRNA（微小RNA）：约22个核苷酸长，调控其他基因的表达
• lncRNA（长链非编码RNA）：大于200个核苷酸，功能多样——调控染色质、作为分子支架、甚至"诱骗"其他调控分子

4. 端粒和着丝粒——染色体的"帽子"和"腰"

端粒（染色体末端重复序列）我们已经介绍过。着丝粒（centromere）是染色体中部的特殊DNA序列，是细胞分裂时纺锤丝附着的地方。着丝粒DNA高度重复且不编码任何RNA或蛋白质，但它的功能极其重要——无着丝粒的染色体片段在分裂时会丢失。

基因表达调控——"开关"的隐喻被严重低估了

基因表达调控不是简单的"开/关"。它更像一个精密的无级调光器。

一个基因可以被：

• 完全关闭（异染色质状态——DNA被紧密包裹）
• 低水平持续表达（"管家基因"，如编码糖酵解酶的基因）
• 被诱导后大量表达（如激素响应基因）
• 在特定组织中表达而在其他组织中沉默（组织特异性）
• 在发育特定期表达，之后永久关闭

这些调控依赖于多个层面的协同作用：染色质结构（DNA包装的松紧）、转录因子（结合在启动子和增强子上的蛋白质）、表观遗传标记（DNA甲基化和组蛋白修饰——第九章会细讲）、以及mRNA稳定性（mRNA被降解的速度决定了蛋白质能被制造多久）。

理解这一点，你就理解了为什么"肝细胞和神经元DNA一样，功能却完全不同"——因为它们在读同一本书的不同章节。

本章总结：基因不是什么神秘的黑箱

基因不是命运。不是"你有BRCA1突变就一定得乳腺癌"。不是"你有MAOA基因就一定有暴力倾向"。

基因是倾向（predisposition），是概率，是范围。

你的身高大约80%由遗传因素决定——但这不意味着你可以精确预测一个人的身高，因为涉及的基因有数百个，每个贡献一点点，而且环境（营养、疾病、运动）也发挥着重要作用。

把这章的核心要点带走吧：

1. 基因只占DNA的约1.5%，但"非基因"部分不是垃圾——是调控层
2. 基因由启动子、外显子、内含子、终止子等组件构成
3. 人类有约2万个蛋白质编码基因——比水稻少，但通过可变剪接等机制实现了更高的复杂度
4. 基因表达是为无级调光器，不是二元开关
5. 你基因组的约45%是转座子的遗产——你是病毒的后裔

知道了基因是什么，下一个问题自然是：基因变了会怎样？

这就是第七章。突变——当代码出了Bug。