现阶段关于增加DNA数据库支持基因座数量的必要性, 在法医遗传学领域已达成共识.DNA数据库常染色体STR基因座数量增加必须以确定核心基因座为前提.我国现有DNA数据库系统只支持24个STR基因座, 这既有技术和历史的局限, 也有出于数据库比对效率的考量.因此问题的关键是如何权衡基因座数量与数据库比对效率间的关系.一方面, 随着DNA数据库数据总量不断扩大, 数据库基于直接匹配(direct match)的个体识别中出现无关个体随机匹配(random match)的可能性大大增加, 亲缘关系检索的识别能力会大幅度降低^[10], 随着数据库容量的增长, 增加基因座数量是必然趋势; 另一方面, 数据库比对算法, 数据库间数据共享能力又要求样本间的基因座选择尽量的趋同.理想的状况是, 数据库选取规定了一组足够多的基因座组合后, 所有入库样本数据遵循这一规定.由于技术, 历史, 商业等诸多因素这一理想状态无法达成.但是确定核心基因座是DNA数据库健康发展的必然选择, 英国, 美国, 欧洲就是研究制定核心基因座的先行者和受益者.

上世纪90年代, 英国法庭科学服务部(Forensic Science Service, FSS)在世界上最先确定了第一代核心STR基因座(first generation multiplex, FGM), 1994年发展了第二代核心STR基因座(second generation multiplex, SGM), 1998年又研究确定了第三代核心STR基因座(third generation multiplex, TGM)与SGM配合使用, 将个人识别能力提高到100亿分之一.1996年, FBI开展了一项为期18个月的专项研究, 为美国联合DNA索引系统(Combined DNA Index System, CODIS)筛选核心STR基因座, 22个DNA实验室共同参与此项研究.在对17个候选STR基因座进行比较测试后, 1997年, 正式确定了13个常染色体STR基因座为CODIS核心STR基因座, 同时建立了一系列的测试方法, 评估标准和基础人员信息数据库.德国国家DNA数据库建设起步于1998年, 确定了8个常染色体STR基因座和1个性别基因座作为其核心STR基因座.此后, 为加强与欧洲各国的在案件协查, 失踪人口调查, DVI等方面的合作, 英国与欧洲主要国家又将D2S1338, D19S433, FGA, TH01, VWA, D3S1358, D8S1179, D16S539, D18S51和D21S11等10个常染色体STR基因座确定为共有的核心STR基因座, 以利于相互间的数据交换共享.近年, 为有利于世界各国的国际合作和DNA数据交换, 国际刑警组织也建立了DNA数据库, 该库选用FGA, TH01, VWA, D3S1358, D8S1179, D18S51, D21S11等7个常染色体STR基因座作为其核心STR基因座.英, 美, 德等国核心STR基因座在其国家DNA数据库的建设中起到了重要的基础性作用, 使国家DNA数据库在建设之初就走入规范化, 科学化轨道.同时, 核心STR基因座的确定也很好的引导了DNA检验试剂市场的发展, DNA检验试剂研发生产处于有序发展, 良性竞争的轨道, 用户, 厂商双方得益.

我国至今尚未开展此项工作.由于缺乏引导, 各类常染色体STR检验试剂产品研发处于无序状况:在可检测基因座大幅度增加的同时, DNA数据库中样本共有常染色体STR基因座不增反降, 由最初的13个降为不足11个(见表1), 制约了DNA数据库在法庭科学领域的应用效能和发展, 应用前景.应该看到, 核心基因座的确定不单纯是一个技术性行为, 需要考虑多方面因素, 多方面参与, 国外的经验也是如此.在诸多因素中, 兼容性, 特别是向下兼容是首先需要考虑的.随着新一版DNA数据库系统软件的应用, 科学选择, 合理调整, 尽快确定中国人群常染色体核心STR基因座, 出台配套标准规范, 将DNA检验试剂的研发纳入科学有序的轨道, 已经成为我国社会公共安全领域重要的基础性研究内容, 具有关键的战略意义, 这一项工作迫在眉睫.

表 1

Table 1

表 1(Table 1)

表 1 国内部分常见常染色体STR检验试剂产品 Table 1 Common autosomal STR kits in Chinese market Life Technology 物证鉴定中心 Promega 中德美联(AGCU) 基点认知 海尔施 Profiler Profiler+ ID/ID+ SinoFiler GlobalFiler Mini Typer15+ PP16 PP18D PP21 Fusion Fusion 6C 17+1 EX20 EX23 Mini 20A 25A STRtyper21G STRtyper26G Amelogenin + + + + + + + + + + + + + + + + + + + + D18S51 + + + + + + + + + + + + + + + + + + FGA + + + + + + + + + + + + + + + + + + + D21S11 + + + + + + + + + + + + + + + + + + D8S1179 + + + + + + + + + + + + + + + + + vWA + + + + + + + + + + + + + + + + + + D13S317 + + + + + + + + + + + + + + + + + + + D16S539 + + + + + + + + + + + + + + + + + D7S820 + + + + + + + + + + + + + + + + + + + TH01 + + + + + + + + + + + + + + + + D3S1358 + + + + + + + + + + + + + + + + + + D5S818 + + + + + + + + + + + + + + + + + + CSF1PO + + + + + + + + + + + + + + + + + + + D2S1338 + + + + + + + + + + + + + + + + + D19S433 + + + + + + + + + + + + + + + + D1S1656 + + + + + + + + D12S391 + + + + + + + + + + + + D2S441 + + + + + + D10S1248 + + + + + + DYS391 + + + + + + TPOX + + + + + + + + + + + + + + + + D22S1045 + + + + + SE33 + + D6S1043 + + + + + + + + + + + Penta E + + + + + + + + + + + + + + Penta D + + + + + + + + + + + + D19S523 + 注:上表仅包括各个产品中Amelogenin和常染色体STR基因座情况.

表 1 国内部分常见常染色体STR检验试剂产品 Table 1 Common autosomal STR kits in Chinese market

近年来, SNP, DNA芯片以及新一代核酸测序技术俨然成为法医遗传学的热点, 特别是SNP, 被认为是新一代遗传标记且终将取代STR.但对于新型遗传标记的采用, DNA数据库应本着“ 善意期待” 和“ 审慎观望” 的态度.事实上, DNA数据库^[8], 常染色体STR检测试剂^{[11, 12]}, DNA芯片及SNP检测技术^{[13, 14]}在2001年均被列为国家“ 十五” 科技攻关课题.10余年来, 基于常染色体STR检测, 我国已建成全世界最大的DNA数据库, 而SNP检测技术作为热点反复被提及却仍未在法医遗传学领域形成大规模成熟应用, 这一现象值得思考.一类遗传标记能否被DNA数据库采用, 取决于诸多因素:对于遗传标记, (1)其技术解决方案必须成熟完整, 涵盖检测平台, 检测试剂, 分析软件等因素, 相关产品必须进入商业化生产阶段; (2)其常用标记选定, 数据分析解读方式必须在业界达成共识, 检测结果能够在实验室间通行使用; (3)其检测结果具有很高的实用价值, 即普通技术人员可以用其来解决实际问题; (4)其检测成本能够为多数实验室接受.对于DNA数据库, (1)要考虑已有数据的价值保护; (2)要衡量引入新遗传标记带来的收益和数据迭代成本间的关系.英国, 美国国家DNA数据库建设最初, 所应用的DNA分型技术是单位点探针指纹图技术(single locus probe, SPL), 当STR检测技术出现后, SPL技术很快被替代是因为:(1)STR检测技术方案成熟, 商业化程度高; (2)STR检测应用规范, 结果数字化程度高(国际法医遗传学会, FBI的DNA分析方法科学工作组制定了大量相关指导性文件^[15]); (3)已有数据库数据规模还不大, 技术迭代成本不高; (4)STR相对于SPL技术优势明显.

应该看到, 无论是英国, 美国还是我国DNA数据库, 目前的情况与STR取代SPL技术时有显著不同:(1)由于数据库容量巨大, 法医遗传学检测对STR检测技术已经形成“ 路径依赖” , 这种依赖总体上看还处于良性循环的轨道, 即随着数据库规模扩大, 使用者的受益也在不断放大; (2)规模化后的DNA数据库对于变革呈天然的保守姿态, 且数据规模越大, 保守性越强烈, 无论是从系统安全性还是数据价值保护, 使用新遗传标记带来的益处相对于风险和代价来说微不足道; (3)SNP等新的遗传标记对于STR的优势尚未达到STR相对于SPL那样的显著.以我国DNA数据库为例, 如果采用SNP技术, (1)结果不能兼容现有千万级STR数据, 无法形成规模化效益; (2)尚没有一套成熟的商业化检测方案形成主导, 不同的解决方案间数据无法兼容; (3)在个体识别, 亲缘关系检索中SNP对于STR的优势没有显著到必须取而代之的地步; (4)SNP在表观遗传学, 群体遗传学领域的应用还未进入成熟实用阶段; (5)也是最重要的, 现有数据价值仅以经济价值衡量已近人民币十亿级, 迭代成本无法承受.因此, 如果在15年前DNA数据库技术起步, 5年前数据库进入高速增长的节点SNP技术没有被引入的话, 在数据库已经计入千万级容量的今天, 采用SNP技术的可能性已经极低.而未来能够对DNA数据库带来变革的, 很可能是全基因组DNA测序.

DNA数据库的主要优势和用途在于人的个体识别.目前, 采用的个体识别方式包括完全匹配和亲缘关系检索, 其中完全匹配是主要的应用方式.从应用模式看(见图1), 在使用完全匹配方式时, DNA数据库较其他生物识别(如指纹, 人脸, 声纹等)数据库有着不同的特点:在由专业人员完成数据提取(即检验结果的分析)后, 由于STR检测数字化程度高, 结果清楚明了(一般为呈两组数字一对一的形式), 非技术人员经简单培训也可使用.这与其他生物识别数据库恰恰相反.从数字分析来看, 完全匹配是用户的主要使用模式(见表2).

图 1

Fig.1

	Figure Option ViewDownloadNew Window
	图 1 生物特征数据库的应用模式Fig.1 Applification pattern of biometric database

表 2

Table 2

表 2(Table 2)

表 2 我国DNA数据库两种比对结果的比较(2010~2014) Table 2 Comparison of 2 kinds of results analysed in China national DNA database(2010~2014) 完全匹配 亲缘关系检索 合 计 全部 1841859 2393369 4235228 待处理 80871 972769 1053640 已处理 1760988 1420600 3181588 处理率 95.61% 59.36% 75.12%

表 2 我国DNA数据库两种比对结果的比较(2010~2014) Table 2 Comparison of 2 kinds of results analysed in China national DNA database(2010~2014)

既然如此, 为什么DNA数据库还要设定亲缘关系检索模式?从数据特性来看, DNA数据库数据已基本具有大数据的三个特性, 即规模性(volume), 多样性(variety)和高速性(velocity).其中, 数据的规模性(volume)包含两个涵意:数据的绝对数量和对样本空间的覆盖程度.一般来说, 数据对样本空间的覆盖程度与运算模型的复杂程度呈反比.当数据量大到覆盖整个样本空间时, 对于样本的推断, 不再强烈依赖于模型的比对.极端而简单的例子就是, 当建立全民DNA数据库后, 只使用完全匹配方式就可实现精确的个体识别(同卵双生和骨髓移植等特殊情况除外).因此不难理解, 由于人口覆盖率问题, 现阶段亲缘关系检索模式还是DNA数据库个体识别一个必不可少的补充.从比对模式复杂度的角度, 亲缘关系检索模式可以分为“ 简单” 和“ 复杂” 两种, 前者主要指“ 父母-子女” 三联体以及单亲遗传关系的检索; 后者狭义上指同胞关系检索, 广义上还包括“ 祖-孙” , 父系以及母系等亲缘关系的检索.在使用遗传标记上, 复杂亲缘关系检索模式已不仅仅局限于常染色体STR, 还包括Y-STR和线粒体DNA.

虽然使用DNA数据库进行复杂亲缘关系检索早就有尝试并有成功的案例, 如英国的Craig Harman案, Jeffery Gafoor案和美国的Grim Sleeper案等, 但DNA数据库应用领域对待这一方式始终持谨慎, 保守的态度.这是由于:(1)条件苛刻, 需要有高的前置概率和附加检索条件; (2)假阳性(false positives)和假阴性(false negatives)率高, 结果指向性很差; (3)结果的筛查需要大量的调查工作; (4)存在道德诸如隐私权方面的争议.如在美国, 根据联邦法律, FBI被禁止在CODIS中开展亲缘关系查询; 仅加利福尼亚州, 科罗拉多州, 得克萨斯州, 弗吉尼亚州4个州允许使用亲缘关系查询, 而马里兰州, 哥伦比亚特区则禁止利用DNA数据库进行亲缘关系检索.在我国, 复杂亲缘关系检索的需求逐年增长, 但是实际上复杂亲缘关系检索并不适用于我国, 这是因为:(1)此类检索适用于封闭的小区域, 低流动性人群, 我国DNA数据库中多数数据来自于流动人口; (2)此类检索对于基因座数量有较高要求, 目前DNA数据库中基因座数量偏低, 特别是共有基因座数仅有11个.尽管如此, 开展复杂亲缘关系检索是我国DNA数据库应用在一个较长时期内的合理补充和必然选择, 原因客观上是需求推动, 主观上是实现数据库效益的最大化.但此项业务的展开应遵循严格的规则, 技术上:(1)源样本必须来自单一个体(或分型可被准确区分), 每个基因座不超过两个等位基因; (2)非混合样本; (3)DNA分型无误, 无等位基因丢失, 无错判.程序上:(1)只限于最重大案件; (2)已无其它的线索和信息供案件调查使用;
(3)用于比对的现场物证经分析确定来源于犯罪嫌疑人; (4)对于嫌疑人来源的地区要有严格的预判; (5)必须有其他非DNA信息作为辅助筛选的因素.

数据库的复杂亲缘关系检索中, 存在一类特殊的类型即单倍型(haplotype)检索, 主要指应用Y-STR和线粒体DNA进行的父系和母系遗传关系检索.这类特殊遗传关系的特点是遗传规律清晰, 在隔代和远亲属的亲缘关系判断中有优势; 缺点是需要建立专门数据库, 数据研判中要特殊考量突变的因素, 必须与其他方法结合使用才能达到个体识别.如前所述, 由于DNA人口覆盖率低, DNA现有的完全匹配和亲缘关系检索不能完全满足侦查破案的现实需求, 近年来Y-STR数据库的建设被越来越多的地方提上日程并付诸实施.客观的说, Y-STR数据库的建设确有其迫切性.家系资料的搜集是Y-STR数据库建立的必要条件.在我国完整的多代家系基本只存在于农村.据统计, 在1990年到2010年的20年时间里, 我国的行政村数量由于城镇化和村庄兼并等原因, 从100多万个锐减到64万多个, 每年减少1.8万个村落, 每天减少约50个^[16].因此, 随着村落的消亡, Y-STR数据库建立的基础也将逐渐消失.但是, Y-STR数据库的特殊性所带来的问题也必须引起关注.