CpG位点

CpG位点的胞嘧啶被甲基化再脱氨变成胸腺嘧啶的过程

一个被发现已久的现象：相对于正常的随机概率期望，CpG位点在脊椎动物基因组中出现的概率非常低。以人类基因组为例（GC含量约为42%），CpG位点的出现概率应为0.21*0.21 = 4.41%；而人类基因组中CpG的实际含量约为1% -- 这尚未达到随机概率的四分之一。根据E Scarano等的论文[3]，这一现象发生的原因是脊椎动物基因组中CpG的胞嘧啶被甲基化为5-甲基胞嘧啶后再发生脫氨作用变成胸腺嘧啶，从而形成了从C到T的突变，致使CpG位点的出现概率降低。这种现象被称为CG抑制（CG suppression）。

CpG岛是一个富含CpG位点的区域，但客观精确描述所谓“富含”的定义尚不明确。通常对于CpG岛的正式定义为：一个长度至少为200bp的片段，其GC含量高于50%，且“观察期望比”（observed-to-expexted）高于60%。

注：观察期望比：即CpG位点的观察值（片段实际含有的CpG位点数目）和“期待值”的比值。“期待值”通常有两种算法：（C*G）/LS[4]或（（C+G）/2）^2/LS[5]。其中，C、G代表胞嘧啶和鸟嘌呤的数目；LS代表片段长度（length of sequence）。

很多哺乳动物基因组中的CpG岛和基因的起始位点相联系[6]。因此，CpG岛的存在对于基因的预测和解释具有帮助作用。

在哺乳动物基因组中，CpG岛的序列长度通常为300-3000bp，在约40%的基因的啟動子附近都有发现[7]。在人基因组中则有约70%的基因啟動子有高CpG含量。如前文提及，CpG位点的实际存在率比随机概率的结果要低得多[5]。

2002年的某研究阐述了CpG岛的预测规则，使用这种规则可以排除一些高GC含量的基因组序列，如Alu重复序列。基于对人21和22号染色体的完全测序研究成果，长度大于500bp、GC含量高于55%、CpG位点“观察期望比”高于65%的DNA序列更有可能是“真正的”CpG岛[8]。

CpG岛以至少达到60%的理论CpG位点含量（可达到4-6%）为特征，而基因组中平均CpG含量只有约1%（CG抑制）。和在基因编码区中的CpG位点不同，在基因正常表达时，位于基因启动子区中的CpG位点往往不会被甲基化；这种现象表明启动子序列中的CpG位点的甲基化很可能导致基因表达被抑制。DNA甲基化和组蛋白修饰是基因铭印的核心过程[9]。大多数组织间或正常样本和癌症样本间的甲基化差异发生在CpG岛附近（CpG island shores）而非CpG岛内部[10]。

一种CpG岛形成的假说图解：通过未被甲基化，从而在漫长的进化史上保留下来

在脊椎动物中，CpG岛往往位于基因转录起始位点附近，尤其是持家基因。CpG位点有被甲基化的倾向，借助这种甲基化可以分辨新合成的DNA链和母链，这在DNA序列复制后的最终校对环节起重要作用。甲基化的胞嘧啶容易脱氨转变成胸腺嘧啶，导致T/G错误配对。胸腺嘧啶DNA糖苷酶（TDG）是人类用于修复TG错配的酶。但由于CpG位点的稀少性，TDG在理论上没有足够高的效率来消除这些快速发生的突变。通常认为CpG岛存在的原因是因受如下选择压力导致的：需要相对更高的CpG含量、更低的甲基化水平或是调控基因需要。最近也有研究称大多数的CpG岛是由非选择压力形成的[11]。

对位于基因启动子内部CpG位点的甲基化可能导致该基因沉默，这种现象在部分人类肿瘤中表现为抑癌基因的沉默。与之对应的，CpG位点的去甲基化则和某些肿瘤的原癌基因过表达相关[12]。

基于衰老和上万个CpG位点的甲基化重要联系，学者已能根据DNA的甲基化情况对人类和黑猩猩的细胞组织寿命进行精确的预测[13]。

• TLR9，一种用于探测未甲基化CpG序列的受体
• 生物钟