遗传学解释了性状如何从亲代传递给子代。核心思想并不复杂:DNA储存遗传信息,基因是DNA上的特定片段,而遗传就是这些信息在代际之间的传递。

对于许多入门问题来说,你会从父母双方各继承一个版本的基因。这些不同版本会影响血型等性状,或者像课堂经典例子中的豌豆花颜色。潘尼特方格可以帮助你建立概率模型,但前提是遗传方式足够简单,适合用这种模型表示。

遗传学基础:DNA、基因与染色体

DNA是生物体内携带遗传信息的分子。它储存着细胞可以复制并使用的生物学指令。

基因是DNA中与某种功能产物相关的一段序列,这种产物通常是蛋白质或功能性RNA。基因是理解遗传的基本单位,但一个性状并不总是只由一个基因控制。

染色体是经过包装的长链DNA分子,其中包含许多基因。在进行有性生殖的生物中,子代通常会从父母双方各获得一组染色体。

遗传在实际中意味着什么

遗传意味着遗传信息会跨代传递。但这并不表示每一种性状都只由基因决定。许多性状同时受基因和环境影响,还有一些性状由多个基因共同决定。

对于一个简单的遗传性状,子代会从一方亲代获得一个等位基因,再从另一方亲代获得另一个等位基因。等位基因就是同一基因的不同版本。这两个等位基因共同构成子代基因型的一部分,而基因型会影响可观察到的性状,也就是表现型。

等位基因、基因型与表现型

在遗传学入门题中,下面这四个术语最关键:

  • 基因:与某种生物学功能相关的一段DNA。
  • 等位基因:同一基因的一个版本。
  • 基因型:生物体在某个基因上的等位基因组合。
  • 表现型:受该基因型影响而表现出来的可观察性状或结果。

你还会看到“显性”和“隐性”这两个词。在简单的显隐性模型中,如果某个等位基因只要有一个拷贝就足以影响表现型,它就被称为显性;而隐性等位基因通常只有在有两个拷贝时才会影响表现型。

这个模型很有用,但并不适用于所有情况。有些性状会表现为不完全显性、共显性、多基因遗传,或者受到强烈环境影响,因此“显性—隐性”这种简化说法并不总是成立。

潘尼特方格示例:Pp×PpPp \times Pp

假设控制豌豆花颜色的一个基因有紫花等位基因 PP 和白花等位基因 pp,并且这个性状遵循简单的显隐性遗传模式,其中 PP 为显性。

如果双亲都是杂合子,那么它们的基因型都是 PpPp。每个亲本都可能传递 PPpp

把组合列出来:

PP pp
PP PPPP PpPp
pp PpPp pppp

在这个模型中,会得到四种等可能的基因型组合:

  • PPPP
  • PpPp
  • PpPp
  • pppp

因此,基因型比例是 PP:Pp:pp=1:2:1PP:Pp:pp = 1:2:1

如果 PP 是完全显性,那么 PPPPPpPp 都会产生紫花,只有 pppp 会产生白花。在这种条件下,表现型比例是 3:13:1,也就是从大量子代的平均情况来看,75% 为紫花,25% 为白花。

这里的条件很重要。潘尼特方格并不保证每个有四个孩子的家庭都会恰好出现三个紫花和一个白花。它表示的是期望概率,而不是小样本中必须出现的结果。

什么时候潘尼特方格有效

当你已知亲本基因型,并想快速建立等位基因组合模型时,潘尼特方格最有用。它能帮助学生区分基因型和表现型,也能说明为什么概率在遗传中很重要。

它最适合用于单基因、遗传规则清晰的例子。一旦性状涉及多个基因、连锁基因、突变,或强烈的环境效应,这种方格就会变成一种粗略简化,甚至不再是合适的工具。

常见的遗传学错误

混淆基因和性状

基因并不等同于性状标签。像身高这样的性状可能受许多基因和环境条件共同影响,因此通常不是一个单基因的潘尼特方格问题。

认为显性就意味着“更常见”或“更强”

显性只描述某个等位基因在特定基因型中如何影响表现型。显性等位基因并不自动意味着更好、更常见或更重要。

把概率当成必然结果

3:13:1 的表现型比例是在该模型下的期望模式。真实家庭可能会因为随机性而偏离这个比例,尤其是在子代数量较少时。

认为所有性状都遵循简单的孟德尔遗传

很多教材例子确实如此,但现实中的许多生物性状并不是这样。血型、肤色以及许多疾病都涉及更复杂的遗传模式。

遗传学基础会出现在哪里

这些基础知识能帮助你更清楚地理解几乎所有后续的生物学主题。它们会出现在遗传、进化、育种、遗传病、生物技术和现代医学中。

它们在课堂之外也很实用。如果你理解基因、等位基因和概率模型之间的区别,就不太容易误读关于祖源检测、遗传疾病风险,或日常媒体中“显性基因”的说法。

试试一个相关案例

如果你已经理解了这一页的内容,可以接着看一个简单遗传开始变复杂的案例。ABO血型或不完全显性都是很好的下一步,因为它们能展示基础潘尼特方格在哪些地方仍然有用,以及解释方式会如何变化。

需要解题帮助?

上传你的问题,几秒钟内获得经过验证的分步解答。

打开 GPAI Solver →