2026年春天，Seth Howes在自家厨房桌上，完成了一件过去几乎只属于大型实验室的事——检测自己的全基因组。口腔拭子采样、提取DNA、建库、上机、得到基因序列数据，全程没有踏进任何专业实验室。数据也从未离开过他的电脑。单次运行的耗材成本，大约1100美元。

Seth Howes，2024年初获牛津大学（University of Oxford）医学学位。在读医期间曾休学一年，于帝国理工学院（Imperial College London）完成AI机器学习硕士（约2022–2023）。长期有编程经验，自称“从医生转投技术”（doctor defected to tech）。

他为什么要在厨房里干这件事呢

Howes并不是闲得慌。他的家族多代出现自身免疫疾病，姐姐因为自身免疫导致小胆管受损，最终需要肝移植。他并不幻想自己能立刻治愈家族疾病，但想弄清楚一个很朴素的问题：为什么在这个家族里，身体免疫系统会一代代地攻击自体？

同时他也认定：基因组是一个人最私密的数据，不该轻易交给任何公司和他人。

所以他没有把样本寄给商业检测机构，而是决定自己干。开始之前，他几乎没有湿实验经验（亲手做实验室具体工作）——通过六周自学，加上大量AI辅助（包括让AI生成目标区域文件等），完成了从零到一的跨越。

测序仪为什么能变得这么小

先说明一下传统测序和纳米孔测序的区别，这个对照是整个故事的技术底座。

传统高通量测序（以Illumina为代表）靠的是“边合成边测序”：把DNA打断成短片段，在芯片上大量扩增，再用荧光信号读出碱基。通量高、准确度成熟，但设备庞大、文库制备复杂，通常只属于中心实验室。

纳米孔测序走的是另一条路，原理可以这样理解：把一根极细的孔（其实是纳米级的蛋白质孔道）嵌在一层膜上，让DNA单链从孔里穿过去。穿的时候，不同的碱基（A、T、C、G）对电流的阻碍程度不一样，会产生不同的电流波动。仪器每秒记录很多次这种波动，再用神经网络实时把波动“翻译”成碱基字母。

因为不需要扩增，也不依赖光学系统，仪器可以做得非常小——MinION只有U盘大小，直接插在电脑上就能用。一块flow cell（流动池，纳米孔测序的"芯片"）里大约有上千个这样的纳米孔并行工作。

这种原理带来三个关键特点：

读长很长。一条读长能覆盖数万甚至更长碱基，对结构变异、复杂区域、重复序列更有优势。

能读原生修饰。DNA上的甲基化等化学修饰会改变电流信号，所以测序列的同时就能直接检测甲基化，不需要额外化学处理。

实时出数据。测序过程中就能看到结果，还能通过软件决定要不要继续测某条DNA链——这就是自适应采样（Adaptive Sampling）：先读大约前500个碱基，判断是不是目标区域，是就继续，不是就反转电压把DNA“吐出来”，换下一条。

DNA 双链穿过纳米孔，电流变化实时翻译成碱基——这正是纳米孔测序的原理。

从全基因组到精准靶向

Howes一开始做的是全基因组——把30亿个碱基都读一遍。但实际用起来，很多问题根本不需要读那么多。比如，我可能只想看几十个已知的基因位点（SNP）、几个甲基化位点，再加上端粒的长短。

在这种“精准靶向”的场景下，纳米孔测序的优势反而更明显：想看几十个SNP位点，用扩增子或自适应采样就能轻松覆盖；想看甲基化，一次读长同时给出序列和修饰状态；想量端粒——端粒是高度重复的TTAGGG序列，短读长根本跨不过去，长读长正好适合直接量长度，连不同染色体臂的差异都能分出来。

这三类信息，理论上可以在一次实验里同时拿到。精心设计目标区域、用自适应采样把测序资源集中到这些位点上，一块flow cell的数据就非常高效。

多个样本怎么一起测

如果一次要测好几个人的样本，可以用“条形码”（barcoding）技术：每个样本在建库时贴上一小段独有的“标签”，然后混在一起，放到同一块芯片（flow cell）上测。测完之后，软件按标签自动把数据拆开，每个人的数据各归各，再分别分析SNP、甲基化和端粒等。

目前常用的Native Barcoding Kit 24最多支持24个样本，而且不经过PCR扩增，能保住甲基化信号。在靶向场景下，一块flow cell跑8到24个样本比较现实。

Howes 家用测序时的真实运行画面：pore scan、读数、孔状态点阵，实时滚动。

从“交给公司”到“自己动手”

Howes坚持“数据不交给公司”，听起来有点偏执。但过去一年发生的现实，恰好印证了他的谨慎。

直接把基因检测卖给普通人的鼻祖公司23andMe，2006年成立，靠“一口唾液”风靡全球，2021年上市时市值一度达到58亿美元。2025年3月，这家公司申请破产保护；5月，再生元制药用2.56亿美元把它收购——大约是巅峰市值的零头。近1500万用户的基因数据最后归谁管，一度引发很多人担心。

这件事提醒我们：当你把唾液寄给一家公司，你交出去的不只是一份样本，还有一份永远无法撤回的生物信息。公司会怎样、数据会怎样，个体很难控制。DIY测序的意义之一，正是把这份数据主权留在自己手里——数据不出自己的电脑，就没有“被转卖”或“被泄露”的悬念。

医生视角：拿到自己的基因组之后

测序只是第一步，读懂才是更难的部分。这也是这类内容最容易让普通人误入歧途的地方。

一个人的全基因组里，有大量“意义尚不明确”的变异（VUS）。把这些变异当成诊断结论，很容易自己吓自己。专业机构的做法是：把结果交给遗传咨询师或临床医生，结合家族史、临床表现一起判断，而不是对着报告逐个查单词。

换句话说，DIY测序的价值更接近“探索与监测”，而不是“诊断”。如果你想用它指导健康管理，更稳妥的姿势是把SNP、甲基化、基因变异等指标当作长期跟踪的基线——这也是长寿医学目前很看重的方向——然后让专业的人帮你解读变化，而不是自己做决定。

边界要划清楚：设备可以走进厨房，但医学判断仍需要专业训练。Howes的厨房实验证明的是“普通人也能得到自己的基因组数据”，并不等于“普通人能独自承担全部解读”。这两件事，不该被混为一谈。

AI在这项测序里到底帮了什么忙？

简单说，它干的不是打杂的活，而是两件最核心的事——一件是“翻译”，把测序仪记录的电流信号翻成能读的碱基字母；一件是“指路”，帮他把该测的区域挑出来。没有这两件事，机器只能吐出一堆看不懂的信号，也不知道该测哪里。具体有四个关键用处：

第一，当“翻译官”：把电流变成字母。测序仪记录下来的原始数据，其实是一串电流波形，根本不是A、T、C、G这些字母。靠谁翻译？靠一个训练好的神经网络（相当于一个专门学会“听电流”的智能程序）。Howes用的翻译程序叫Dorado，一边测一边实时翻，还能顺手把DNA上的“化学标签”（甲基化）也读出来——这靠的也是升级神经网络，不用换任何试剂。

第二，当“设计师”：帮他把要测的区域挑出来。整条基因组太长，没必要全测。Howes直接用AI助手（Claude）对话：告诉它“我家里有自身免疫病家族史，想看看免疫抑制剂的药物基因”，AI就帮他列出一串候选基因，生成一份机器能读的“目标清单”（BED文件），还自动检查这些区域加起来占比合不合适。这是整个流程里最难的一步，AI几分钟就搞定，换成人工去查各种数据库，要折腾很久。

第三，当“看门人”：决定每段DNA要不要继续读。每段DNA穿过小孔时，软件先读前面约500个字母，实时问一句：“这是我要的区域吗？”是，就继续读完；不是，就立刻把这段DNA吐出去，换下一段进来。靠这个判断，测序仪把力气都花在刀刃上。

第四，当“解读员”：帮他把结果看懂（这是他计划中的下一步）。Howes打算把测序结果交给DeepMind的AlphaGenome，重点看那些过去很难看懂的非编码区变异有没有功能影响。也就是说，AI不止帮你把序列测出来，还能帮你读懂。

一句话总结：这项实验能成，本质上是“用智能软件换掉了一部分实验室的化学功夫”。设备变小了，门槛从“动手做实验”变成了“会用软件”，这正是测序能走进普通家庭的技术内核。

不懂代码的医生，AI 能帮你做什么

如果你和我一样，是医生出身的研究人员，不会写代码、不懂编程，不太会计算机程序，那 AI 在这件事里能帮你什么？答案是：把过去需要专门生物信息人员才能做的活，变成“开口问”和“软件自动跑”。Howes 的例子很能说明问题——他几乎没有湿实验经验，靠六周自学加大量 AI 辅助完成了全程。

他借助 Claude 干的最典型的一件事，就是“选区域”：直接告诉 AI“我家里有自身免疫病家族史，想查免疫抑制剂的药物基因”，AI 就帮他列出基因清单、生成机器能读的目标区域文件、核对范围是否合适。换成人工，要查 UCSC、Ensembl、OMIM 好几个数据库、还要写脚本处理坐标，普通医生根本做不来。

除此之外，AI 还自动做了两件你不会做的事：一是把测序仪输出的电流信号翻译成碱基字母（叫 basecalling，纯软件自动跑，不需要懂原理）；二是在测序时实时判断每段 DNA 是不是目标区域、决定继续读还是换下一段（自适应采样）。

再单独说“哪些环节绕过了传统二代测序”。传统二代测序（Illumina）有三道绕不开的工序：把 DNA 打断成短片段、PCR 扩增、荧光标记读碱基——设备大、流程繁琐，基本只能进中心实验室。纳米孔测序把这套省掉了：不扩增、不用荧光，DNA 直接穿过纳米孔就能读，文库制备也简单很多。再加上 AI 把“信号翻译”和“目标选择”这两个最专业的部分自动化，一个不懂代码的医生，也能在家完成过去整个实验室团队才能做的事。这正是 Howes 厨房实验对非技术背景的人最有价值的地方。

想测 SNP 和甲基化，一步步怎么做

讲完原理，如果你也想测自己的 SNP 和甲基化，参照Howes 的完整流程可以拆成三步。第一步，也是最关键的一步，是“先想清楚测什么”——他直接用 Claude 对话：告诉它“我家里有自身免疫病家族史，想查免疫抑制剂的药物基因”，AI 就帮他列出候选基因、生成一份机器能读的目标区域清单（BED 文件），还自动核对范围占全基因组比例是否合适。这份清单，决定了测序仪把力气花在哪里。你就可以参照Howes 的做法生成一份检测你的SNP和甲基化的BED 文件。

第二步是湿实验，他用了两个现成试剂盒：先用 NEB 的 Monarch 试剂盒，从口腔拭子里提取 DNA；再用 ONT 的 SQK-LSK114 连接试剂盒建库（给 DNA 片段接上接头，让纳米孔能抓住它）。然后上机：把建好的库加载到 flow cell，用 MinKNOW 软件控制测序，自适应采样会自动跳过无关区域、只测清单里的目标区域。对我个人来讲湿实验不是难点，不用像Howes 那样从头学习。

第三步是数据分析，现在基本都是命令行工具自动跑，照着复制粘贴就能运行，不用会写代码：先用 dorado 做碱基识别（把电流信号翻译成碱基字母）——只要选带甲基化能力的模型，测序结果里就同时含甲基化信息；再用 minimap2 把每条读段比对到参考基因组，确定它来自哪里；然后用 samtools 排序、索引、做质量检查；最后用 mosdepth 对照 BED 清单，算出每个目标位点的覆盖深度够不够。

整个过程，Howes 真正需要动脑的，是“提对问题”（用 Claude 选区域）和“看懂结果”，中间的技术环节基本被 AI 和现成工具包办——这正是对非技术背景医生最有吸引力的地方。对不懂代码的医生来说，关键就是：不用理解命令里的每个词，照抄照跑就行—— 这也是 AI 时代测序门槛降下来的原因。

从厨房到诊室：这项技术正在被谁用上

Howes 不是一个人在这条路上走。2026 年 8 月，纳米孔测序的制造商 Oxford Nanopore 发布了新的战略：把重心押在三个方向——mRNA 疫苗的质检、全基因组里的甲基化检测、白血病诊断。这家公司正式把赌注从“实验室和爱好者”转向“药企和临床”，要让纳米孔进入制药质量控制和医院诊断的日常流程。

在波兰，玛丽·居里肿瘤中心已经改用纳米孔技术做肿瘤分析，靠甲基化信号给肿瘤分类，正在取代传统的短读长测序；在中枢神经系统肿瘤的快速分类上，有些医院已经把出结果的时间压缩到 30 分钟左右。结核病领域，Oxford Nanopore 与 bioMérieux 合作推出 AmPORE-TB 方案，用来快速确定耐药结核，帮医生更快决定用药。

这些进展说明一件事：Howes 在厨房里验证的技术逻辑——长读长、直接读甲基化、小巧灵活——正在被医院和药厂用同样的方式验证。个人和机构，沿着同一条技术曲线往前走。这也是为什么我们说“测序正从少数机构的专属工具走向更广阔场景”，不是一句展望，而是正在发生的事。

Seth Howes的厨房实验，并不是要证明“从此测序可以完全取代专业实验室”，而是展示一种新的可能性：当设备变得足够小、足够灵活，当AI能显著降低技术门槛，个人在隐私可控的前提下探索自己的基因组，已经不再是完全的幻想。

从全基因组到只关注几十个关键位点，从单人实验到多样本并行，技术路径正在变得更精细、也更可及。判断这项技术有没有进入“普通人的日常”，可以看四个变量：需求是否真实、成本是否持续下降、使用门槛是否降低、解读是否跟得上。如果只有设备变便宜，解读和配套服务还跟不上，那它更适合作为专业医疗的补充，而不是替代。

支持单位：