名偵探柯南」，其實并不好當。

作者 | Lilyann
編輯 | 靖宇

不久前，重新翻拍的《尼羅河上的慘案》（Death on the Nile）登陸國內院線。即便有「神奇女俠」蓋亞·加朵和一眾明星支持，影片還是遭到了阿加莎·克里斯蒂原著粉的瘋狂吐槽，豆瓣評分目前 5.8 分——鑒于英國名導肯尼斯·布拉納（同時飾演片中主角大偵探波洛）還會繼續翻拍下去，該系列的評分可能還會繼續走低。

從波洛、福爾摩斯再到各國影視劇，推理和探案故事在全球培養起了數億的「業余偵探」。而現在，隨著技術的發展，這些推理愛好者已經不滿足于文藝作品，而想要「親自上場」，用自己的力量偵破陳年遺案。

在美國，有人專門在 GoFundMe 和 Kickstarter 上眾籌，對一些未偵破案件的證物和遺骸進行 DNA 檢測，用來辨別遇害人以及犯罪嫌疑人身份。而針對這些來自推理愛好者的需求，甚至有名為 Othram 的公司，專門進行 DNA 分析比對鑒定，并且成功拿到了融資。

利用 DNA 技術「眾籌擒兇」，會成為一種潮流嗎？在推理愛好者的狂熱背后，又有哪些陰暗面，會在意料之外，對人們和社會產生影響？

01 DNA「擒兇」

1959 年，年僅 9 歲的女童甘迪絲?羅杰斯（Candice Elaine Rogers）在華盛頓州斯波坎社區失蹤，16 天過后，她的鞋子被兩名獵人在山區發現，而后警方發現了她被埋在樹下的遺體。

尸檢報告顯示，羅杰斯生前曾遭遇虐待，后被兇手勒死。由于失蹤前她還在社區內兜售薄荷糖，所以又被稱為「糖果」（Candy）。

由于證據始終不夠確鑿，警方始終難以被鎖定嫌犯。警察曾將遇害者身上的體液進行檢測分析，但遺憾的是，在聯邦犯罪資料庫中并沒有找到能夠與之吻合的對象。

半個多世紀以來，隨著科技逐漸成熟，本地也成立了愈來愈多的 DNA 檢測實驗室。2020 年，警方曾與其中一家接洽，但得到的回信是樣本年久腐壞，無法分析出更多的結果。

直到一年之后，法醫科學家布列塔尼·賴特 (Brittany Wright) 與 Othram 實驗室進行交談得知，后者正在研發更為先進的基因測序技術：通過法醫族譜學構建出兇手檔案，縮小嫌犯人選至鎖定目標到兄弟三人身上，其中一人便是真正的罪犯：約翰·霍夫（John Reigh Hoff）。

而推動整個案件水落石出的，是霍夫的女兒凱西·霍夫得知自己已在 30 年前自殺的父親，和幾十年前的懸案突然產生聯系，主動與警方聯絡提供了自己的 DNA 樣本。在搜索令獲準下，警方挖掘霍夫的墳墓進行遺體采樣，最后確認，霍夫即為 62 年前性侵并殺害女童的兇手。

而像小甘迪絲這樣的案例，在美國還有很多。美國國家失蹤與不明身份人口系統（NamUs）的數據，平均每年有超過 4 千具無名尸骸被發現，且每年遺骸與失蹤人口的數量都在增加——美國國家司法研究所將其稱之為「無聲的巨大災難」（silent mass disaster）。

讓「無聲災難」不再「沉默」，是 Othram 這類的 DNA 實驗室創辦的初衷。實驗室名稱來自《指環王》中岡多主城——白城米納斯·提力斯外的城墻，創始人 Mittelman 希望對基因進行測序、歸檔的技術手段，構建一個龐大的、可共享的數字化法醫證據庫（學界稱為法醫系譜學），破解積壓疑案，從而成為守護社會的城墻。

設想很美好，但問題依舊存在。他們首先遇到的麻煩就是：DNA 樣本過少怎么辦？

其實從 1994 年，FBI 就已經開始建立 DNA 數據庫了，名為 DNA 聯合索引系統（Combined DNA Index System），將案件中的受害者與犯罪人員的 DNA 檔案編入，從而能夠快速抓獲慣犯。但其中儲存的樣本數量與內容依舊不夠詳盡。

以 2020 年剛剛結案、Othram 也同樣參與 DNA 化驗的「休斯敦伴娘被新郎殺害」一案來說，一般的刑事案件會給出 20 個 DNA 注記作為對比，但在這個案子上至少從數據庫中比對了幾萬個注記，越多的注記相符，能夠確認的幾率就越高。

由此，DNA 樣本儲存越多，一定程度上越能夠推動案件進展。在這種條件下，「眾籌」的模式就產生了。

這里的眾籌衍生出兩種意味：一是通過捐款，為 DNA 測序提供足夠的基金，二是捐贈自己委托商業測序公司所測出的 DNA 信息到類似 Othram、GED Match 等機構的族譜數據庫中。

而參與眾籌的這個群體，往往就會被稱之為「DNA 偵探」。

02「眾籌破案」時代

去年，居住在迪拜的 Carla Davis，在 LinkedIn 上看到了 Othram 實驗室發布的，關于「尋找 1978 年田納西謀殺案兇手」的帖子，需要籌集到 5000 美元才能進行下一步的 DNA 測序。

Davis 被其中一句「我們是在為了正義眾籌」所打動，直接補足了剩下未籌到的近 4,000 美元。根據紐約時報的報道：截至今年三月，這些 DNA 偵探們已經累計在眾籌中捐贈了超過一百萬美元。

在 Facebook 上，有人建立了「DNA Detectives Facebook」群組，聚集了許多與 Davis 有著相似追求的同好。這些人如此活躍的原因之一，是對「解謎快感」的追求。

對于犯罪事件的披露，一直以來都是人們好奇心最為高漲的議題之一。即使發生在距離遙遠的其他國家，也難以抑制人們想要了解更多的沖動。

一起復雜而懸而未決的案件，能夠同時戳中人們內心對作案動機的窺探欲、對受害者的共情力、伸張正義的使命感、以及對案件調查的參與欲。它們混合起來，成為同情、害怕、刺激，又帶著些快感的情緒。

來自多倫多大學的學者 Jooyoung Lee 就曾提到，當我們開始消費這種「來自現實生活中的恐怖」，會讓大家覺得自己成為了故事中的一部分。

而通過社交群組和 Othram 這類向大眾開放捐款或捐贈 DNA 的基因實驗室，讓以眾籌形式偵破懸案一事徹底變成可能。正如 Davis 在接受媒體采訪時說的：「如果我們能夠真的對于破案幫上忙，為什么還要僅僅呆在家里收聽犯罪懸疑播客呢？」

法醫界從業人士告訴極客公園（ID：geekpark），在國內，破案更多是依賴罪犯 DNA 數據庫，將現場檢材的 DNA 分型結果輸入數據庫對比，歸屬公安部管理。

而美國由于消費級基因檢測市場的成熟，有需求的當事人（無論是尋根問祖或是偵破懸案）委托實驗室發起眾籌，逐漸形成公眾的、可交叉共享的數據庫。

不僅限于留有案底的罪犯，如果嫌疑人有親屬曾經向數據庫提交過 DNA 采樣，那么通過縮小范圍的方式也能夠定位。由此，「法醫系譜學」應運而生。

03 伸張正義背后的「陰影」

當人們沉浸在冤案得雪，擒獲兇手和伸張正義的滿足背后，同樣也有一些不可忽視的問題。

2018 年，基因監測機構 FamilyTreeDNA 宣布向執法部門開放，并且通過與調查人員合作，讓警方能夠使用的基因數量幾乎翻了一倍，此舉當時就引發了一輪對于身份隱私的擔憂爭議。次年，FamilyTreeDNA 正式就此事向公眾道歉。

根據 FamilyTree 持有的 200 萬人 DNA 數據，能夠辨認出相關幾乎數億人的身份。這意味著，如果把控不嚴，這些掌握大量 DNA 數據的數據庫，將會引發可怕的數據隱私問題。

薩拉勞倫斯學院（Sarah Lawrence College）的基因咨詢師 Laura Hercher 曾經指出，應該由法律界定獲取 DNA 信息的條件，而非機構本身。「（DNA）是抓捕罪犯的好方法，但也可能被別有用心的人濫用。」

通過 DNA 技術，可以追溯到一個人家庭譜系中的大多數親人，而并不是所有人都想要自己的信息進入到這個系統之中。可惜的是，一旦有人上傳了自己的 DNA 信息，與其相關的親戚，也被動地進入到系統之中，其中的隱私和法律問題，目前還沒有明確的解決方法。

不管是文藝作品，還是現實生活，在任何一起案件的偵破中，涉及的都不僅僅是犯罪者和受害者，更會影響到雙方背后大量的關系人員。如何將先進的技術，控制在合理范圍內，某種意義上要比破案更加重要。

參考資料

[1]Hoff's family proves crucial to helping solve murder, now live with fact family member committed brutal crimes | The Spokesman-Review

https://www.spokesman.com/stories/2021/nov/19/hoffs-family-proves-crucial-to-helping-solve-murde/

[2]NGS 為法醫學帶來變革

https://www.illumina.com.cn/company/news-center/feature-articles/revolutionizing-forensics-with-ngs.html

[3] 休士頓伴娘遭奸殺 25 年后揪出新郎是兇手

https://posts.careerengine.us/p/60a28d9b4087816230fef0e3

[4] 你就是偵探：真實犯罪案件為什么吸引我們？|界面新聞 · 影像

https://www.jiemian.com/article/3200114.html

[5]The Racial Composition of Forensic DNA Databases - California Law Review

https://www.californialawreview.org/print/racial-composition-forensic-dna-databases/

[6] 基因檢測會暴露我們的隱私嗎？_信息

https://www.sohu.com/a/319550815_119097

[7]The True Crime-Obsessed Philanthropists Paying to Catch Killers

https://www.nytimes.com/2022/03/27/technology/dna-tests-crime-solving.html

*頭圖來源：pixabay

本文為極客公園原創文章，轉載請聯系極客君微信 geekparkGO

它新生信分析過程中，會與很多不同格式的文件打交道，除了原始測序數據fastq之外，還需要準備基因組文件fasta格式和基因注釋文件gtf格式。在分析的過程中還會有眾多中間文件的生成，如bed、bed12、sam、bam、wig、bigwig、bedgraph等，生成后我們一般會查看下內容了解文件每一列的含義，以此來決定需要提取哪些有用信息列來進行下一步分析。

插播一個小劇場

老板：“先查看一下bam文件內容。”
小白：嗒嗒嗒敲鍵盤。

$ less ehbio.bam
"ehbio.bam" may be a binaryfile.  See it anyway?

小白：“哎呀，錯了，應該這樣。” 嗒嗒嗒敲鍵盤。

$ samtools view ehbio.bam # 回車一敲，災難，電腦要卡死，趕緊按`control  + c`
$ samtools view ehbio.bam | less  # 這下終于可以查看了

老板：“你逗我呢……”（不失禮貌的批評）

剛接觸生信分析的小白們這種尷尬的事情時有發生，為了幫助大家梳理這些剪不斷理還亂的文件，本文以分析流程為主線，介紹各文件的格式以及有哪些常用命令來查看或處理它們。

1. 測序數據FASTQ文件

1）文件用途：樣品測序返回的數據一般存儲為fastq文件，通常是壓縮文件filename.fq.gz的格式，節省存儲空間和傳輸時間。NGS基礎 - FASTQ格式解釋和質量評估

2）查看方式

# zcat查看gzip壓縮的文件
# head -n 8 顯示前8行文件內容（前8行代表2條序列）

zcat filename.fq.gz | head -n 8

# @SRR1039521.13952745/1
# TTCCTTCCTCCTCTCCCTCCCTCCCTCCTTTCTTTCTTCCTGTGGTTTTTTCCTCTCTTCTTC
# +
# HIJIIJHGHHIJIIIJJJJJJJJJJJJJJJJJJJJJIIJJFIDHIBGHJIHHHHHHFFFFFFE

3）格式說明：fastq文件每4行代表一條序列
第一行：記錄序列測序時所用儀器以及在測序通道中坐標信息，以@開頭；
第二行：測序的序列信息，以ATCGN表示，由于熒光信號干擾無法判斷是什么堿基時就用N表示；
第三行：通常一個+;
第四行：與第二行堿基信息一一對應，存儲測序堿基的質量值。

4）其他常用命令

# 計算read數
# wc -l: 計算行數
# bc -l: 計算器 (-l：浮點運算)
# 為什么除以4，又除以1000000，計算的是million值

echo "`zcat trt_N061011_1.fq.gz | wc-l` / (4*1000000)" | bc -l

# 測序堿基數計算
zcat trt_N061011_1.fq.gz | awk'{if(FNR%4==0) base+=length}END{print base/10^9,"G";}'

awk的介紹見：常用和不太常用的awk命令

2.基因組FASTA文件

此文件可以從ensemble數據庫下載的（https://www.ensembl.org/info/data/ftp/index.html）， 一般選擇下載primary assemblyfasta（想知道為什么，點這里）。fasta文件用于序列存儲，可以是DNA或蛋白序列，在此FASTA文件存儲了基因組序列的信息。

序列名字行：以>符號開頭，記錄了該序列類型和所在基因組位置信息；

序列行（一行或多行）：序列信息，soft-masked基因組會把所有重復區和低復雜區的序列用小寫字母標出的基因組，小寫字母n表示未知堿基。

>1 dna_sm:chromosomechromosome:GRCh38:1:1:248956422:1 REF
nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn
nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn
.....
ttgggctggggcctggccatgtgtatttttttaaatttccactgatgattttgctgcatg
gccggtgttgagaatgactgCGCAAATTTGCCGGATTTCCTTTGCTGTTCCTGCATGTAG
TTTAAACGAGATTGCCAGCACCGGGTATCATTCACCATTTTTCTTTTCGTTAACTTGCCG
.....
nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn

# 通常要求序列名字行簡單為好，而且一般加chr作為開頭
# 給第一行添加chr標簽，并去掉其他多余信息
# 下面的寫法復雜了些，是為了避免給已經有chr信息的名字再加一次
# 幫助無腦操作
sed 's/^>\([^chr]\)/>chr\1/'  Homo_sapiens.GRCh38.dna.primary_assembly.fa |cut -f 1 -d ' ' > GRCh38.fa

3. 基因組注釋文件gff和gtf

gff全稱General featureformat，主要是用來注釋基因組。gtf全稱Gene transfer format，主要是用來對基因進行注釋。兩者均是一個9列的基因信息注釋文件，前8列的信息幾乎一樣，區別在于第9列。具體可見歷史推文NGS基礎 - GTF/GFF文件格式解讀和轉換 在此不再贅述。

從ensemble下載的gtf文件前5行一般是以#開頭的注釋信息，后續分析中用不上需要去除，同時需要給第一列添加chr標簽（與基因組序列一致），可通過下面的命令對文件進行加工：

# grep 匹配查詢 -v 輸出不匹配的行
gunzip Homo_sapiens.GRCh38.94.gtf.gz -c |grep -v '^#' | sed '/^[^chr]/ s/^/chr/' >GRCh38.gtf

4. bed文件

分析過程中的bed文件一般代表區域信息，如表示Peak位置的bed文件，表示基因注釋的bed12文件。

• 表示基因注釋時，gtf/gff和bed文件的區別

1）gtf/gff文件一行表示一個exon/CDS等子區域，多行聯合表示一個gene；bed文件一行表示一個gene；
2）gtf文件中堿基位置定位方式是1-based，而bed中堿基定位方式是0-based，如下圖所示。

• bed文件每一行對應信息
• 
  

必須包含的3列信息：
1）chrom：染色體名字 (e.g.chr3, chrY, chr2_random或者scaffold10671)。
2）chromStart：基因在染色體或scaffold上的起始位置（0-based）。
3）chromEnd：基因在染色體或scaffold上的終止位置 （前閉后開）。

可選的9列信息：
4）name：bed文件的行名。
5）score：本條基因在注釋數據集文件中的評分（0-1000），在Genome Browser中會根據不同區段的評分顯示對應的陰影強度（評分越高灰度越高）。
6）strand：鏈的方向+、-或. (.表示不確定鏈的方向)
7）thickStart：CDS區（編碼區）的起始位置，即起始密碼子的位置。
8）thickEnd：The endingposition at which the feature is drawn thickly (for example the stop codon ingene displays).
9）itemRgb：RGB顏色值（如：255,0,0），方便在GenomeBrowser中查看。
10）blockCount：bed行中外顯子的數目。
11）blockSizes：逗號分割的列，數目與blockCount值對應，每個數表示對應外顯子的堿基數。
12）blockStarts：逗號分割的列，數目與blockCount值對應，每個數表示對應外顯子的起始位置（數值是相對ChromStart計算的）。

5. sam和bam文件

sam文件全稱The SequencingAlignment/Map Format，是Alignment/Map步驟bwa/STAR/HISAT2等軟件對結果的標準輸出文件，用于存儲reads比對到參考基因組的比對結果，是一個純文本格式，文件一般較大。為了節省硬盤存儲，一般使用其高效壓縮的二進制格式bam文件。

利用samtools view的-b參數就能把sam文件轉為bam文件。

1）sam文件查看方式
在linux終端直接用less即可進行查看；

2）bam文件查看方式
需要借助samtools view工具進行查看

samtools view filename.bam | less -S
samtools view -h filename.bam | less -S

NGS分析中大多數文件都是由header和record兩部分組成，加上-h參數后可以將header顯示出來，默認是不顯示的。

@HD    VN:1.5  SO:coordinate
@SQ    SN:chr1 LN:248956422
@SQ    SN:chr10        LN:133797422
......
@SQ    SN:chrKI270392.1        LN:971
@SQ    SN:chrKI270394.1        LN:970
@RG    ID:BH_H3K27ac_2 LB:BH_H3K27ac_2 SM:BH_H3K27ac_2
@PG    ID:bwa  PN:bwa  VN:0.7.15-r1140 CL:bwa mem -M -t 8 -R@RG\tID:BH_H3K27ac_2\tLB:BH_H3K27ac_2\tSM:BH_H3K27ac_2\tPL: /MP
@PG    ID:MarkDuplicates      VN:1.138(aa51703435dc6a423013e74e56b0b68405facd79_1439324166)   CL:picard.sam.markduplicates.
K00141:244:HVL3NBBXX:8:2119:27235:3145399      chr1    10016  32      115M=10016   115     CCCTAACCCTAACCCTAACCC
K00141:244:HVL3NBBXX:8:2119:27235:31453147     chr1    10016  32      115M=10016   -115   CCCTTACCCTAACCCTAACCC

• header內容
  @HD：是必須的標準文件頭，包含版本信息；
  @SQ：參考序列染色體名字和長度信息 (SN:scaffold name; LN: length)；
  @RG：重要read group信息，通常包含測序平臺，測序文庫和樣本ID等信息，分析時用于區分不同樣本（重測序時用到）；
  @PG：生成此文件的操作過程和參數信息 （program）。
• record內容
  每一行就是一條read比對上參考基因組的信息，總共12列，用tab鍵分割。

# 1. read名稱；
# 2. 比對信息位flag值；
# 3. 參考序列染色體編號；
# 4. 5′端起始位置；
# 5. MAPQ：mapping quality，描述比對的質量，數字越大，特異性越高；
# 6. CIGAR字符串，記錄插入、刪除、錯配等信息；
# 7. 配對read所比對到的染色體，僅雙端測序的數據才有；
# 8. 配對read所比對到的位置，僅雙端測序的數據才有；
# 9. 插入片段的長度，僅雙端測序的數據才有；
# 10. read序列；
# 11. read質量值；
# 12. 12列以后的信息都是metadata，程序用標記

sam文件中第二列flag信息很重要，下面做進一步解釋。

利用samtools flagstat工具可以查看bam文件中比對的flag信息，并輸出比對的統計結果。

samtools flagstat *.bam

flag一共有12個標簽，使用16進制數表示，每個標簽值是2^(n-1)，其中n<=12，每個值有其對應的唯一解釋含義，具體見下圖。

你會發現隨機挑選幾個值做加和運算，他們的結果都是唯一的，所以在bam文件中第二列flag的值代表這條序列符合下圖所示條件的值的和。

所以根據這個值我們可以判斷這條序列是雙端測序還是單端測序；如果是雙端測序，reads來自左端還是右端。比如65 只能是1和64組成，代表這個序列是雙端測序，而且是read1。

每次轉換很頭疼？別擔心，網上有很多解碼flag含義的在線工具，如SAM Format（網址：https://www.samformat.info/sam-format-flag）

輸入flag的值，解析工具會返回匹配上的信息。如果是單端測序，flag值都是偶數。

如果是雙端測序，工具會幫我們把另外一端序列的flag值返回，并且將這些數字情況大致分為5類，在右側進一步顯示這個值對應的含義。

6. wig、bigwig和bedgraph文件

上述bam和sam文件可以幫助我們探索reads在參考基因組中的比對情況，導入基因組瀏覽器查看比對狀態和突變信息。而wiggle(簡稱wig)、bigwig(簡寫bw)以及bedgraph(簡寫bdg)只包含區域和區域的覆蓋度信息，文件更小，用于可視化更方便，可以導入基因組瀏覽器（Genome Browser）中進行可視化，以查看reads在參考基因組各個區域的覆蓋度并檢測測序深度。這幾個文件在ChIP-seq數據分析Call Peak階段會生成，可以利用IGV等工具進行可視化，方便查看組蛋白修飾的程度。

• wiggle：展示區域的密度或強度信息，如GCpercent, probability scores, and transcriptome data.

variableStep chrom=chr2
300701 12.5
300702 12.5
300703 12.5
300704 12.5
300705 12.5

fixedStep chrom=chr3 start=400601 step=100span=5
11
22
33

• bedGraph: bed與wig的結合，更省空間和靈活，展示信息與wig類似。(bedGraph的格式一般有四列，Chr、start、end和value，并且坐標是以0為起始左閉右開)

chromA chromStartA  chromEndA  dataValueA
chromB chromStartB  chromEndB  dataValueB

• bigWig: wig文件的二進制壓縮格式，可通過wigToBigWig工具轉換

推薦大家閱讀UCSC官網對這幾個文件的詳細解釋：

• wiggle(WIG)：https://genome.ucsc.edu/goldenPath/help/wiggle.html
• bedGraph：https://genome.ucsc.edu/goldenPath/help/bedgraph.html
• bigWig：http://genome.ucsc.edu/goldenPath/help/bigWig.html

廠程序員經驗之談：前端不好找工作？那是你沒掌握這些！最近有不少剛上大學的同學向我咨詢如何學習前端，還有一些準備轉行的朋友，我想分享一下如何正確學習前端。

首先，要具備扎實的理論基礎，能夠分析和解決應用場景的需求，以及實現和編碼的能力。其次，要熟練掌握HTML、CSS3快速布局，能夠高質量地還原設計圖。然后，要熟練掌握各種CSS預處理、CSS模塊、CSS NGS等方案，熟悉響應式、自適應移動端等適配方案。接下來，要熟練掌握JavaScript及ES6+，掌握異步編程、模塊化編程、面向對象編程思想，能夠熟練處理各種數據結構，并掌握TypeScript進行類型劃分、閱讀源碼等技能。最后，要熟練掌握Nc：要學習的內容，這些資料可以分享給需要的人。

我推薦學習以下書籍：《JavaScript高級程序設計》、《Webpack、Babel、npm、Vite實戰》、《Node.js從入門到精通》、《Git實戰》、《SVN基礎與實戰》、《高性能JavaScript》、《CSS揭秘》、《圖解HTTP》、《大話數據結構》。