从零构建生信分析基石：参考基因组与注释文件权威指南与实战下载

1. 参考基因组与注释文件：生物信息学的基石

刚接触RNA-seq或重测序项目时，我完全被各种数据库和版本搞晕了。参考基因组就像一本用ATCG四个字母写成的天书，而注释文件就是解读这本天书的字典。没有它们，后续的分析工作根本无法开展。

参考基因组是经过高质量测序和组装的基因组序列，代表某个物种的标准版本。比如人类参考基因组GRCh38，就是目前最常用的人类基因组版本。而注释文件则记录了基因位置、外显子结构、功能信息等关键数据，常见的格式有GTF、GFF、BED等。

这两者的关系就像建筑图纸和施工手册。参考基因组提供了基础的DNA序列（图纸），而注释文件告诉你哪里是承重墙、哪里是门窗（施工手册）。在分析RNA-seq数据时，我们需要先把测序得到的短序列比对到参考基因组上，再结合注释文件确定哪些区域是基因、外显子或调控元件。

2. 主流参考基因组版本详解

2.1 人类参考基因组版本演变

人类参考基因组由Genome Reference Consortium（GRC）维护，目前主要有三个大版本：

• GRCh38/hg38：2013年发布，最新补丁版本为GRCh38.p14
• GRCh37/hg19：2009年发布，目前仍广泛使用
• GRCh36/hg18：2006年发布，已逐渐淘汰

这里有个容易混淆的点：同一个版本在不同数据库可能有不同名称。比如GRCh38在UCSC叫hg38，在NCBI的GenBank中叫GCA_000001405.15。这种命名差异经常让新手困惑不已。

2.2 小鼠参考基因组版本

小鼠是另一个常用的模式生物，其参考基因组版本包括：

• GRCm39：2020年发布，最新版本
• GRCm38/mm10：2011年发布，目前最常用
• GRCm37/mm9：2007年发布，逐步淘汰

选择版本时需要考虑分析工具的兼容性。比如某些ChIP-seq流程可能只支持mm10，这时即使有更新的GRCm39也不适用。

3. 五大数据库下载实战指南

3.1 NCBI下载详解

NCBI是最全面的生物数据库，下载参考基因组有两种方式：

可视化下载：

1. 访问 https://www.ncbi.nlm.nih.gov/genome
2. 搜索目标物种（如"Homo sapiens"）
3. 在结果页面点击"Download"按钮

FTP命令行下载（以GRCh38为例）：

# 下载参考基因组 wget https://ftp.ncbi.nlm.nih.gov/genomes/refseq/vertebrate_mammalian/Homo_sapiens/reference/GCF_000001405.39_GRCh38.p13/GCF_000001405.39_GRCh38.p13_genomic.fna.gz # 下载GTF注释文件 wget https://ftp.ncbi.nlm.nih.gov/genomes/refseq/vertebrate_mammalian/Homo_sapiens/annotation_releases/109/GCF_000001405.38_GRCh38.p12/GCF_000001405.38_GRCh38.p12_genomic.gtf.gz

3.2 Ensembl下载攻略

Ensembl的注释质量较高，特别适合真核生物：

网页下载步骤：

1. 访问 http://asia.ensembl.org
2. 选择目标物种
3. 点击"Download DNA sequence"或"Download GTF"

FTP下载示例：

# 下载参考基因组 wget http://ftp.ensembl.org/pub/current_fasta/homo_sapiens/dna/Homo_sapiens.GRCh38.dna.toplevel.fa.gz # 下载GTF注释 wget http://ftp.ensembl.org/pub/current_gtf/homo_sapiens/Homo_sapiens.GRCh38.104.gtf.gz

3.3 GENCODE专项推荐

如果你只研究人类或小鼠，GENCODE是最佳选择。它提供：

• 更精细的基因注释
• 长非编码RNA的完整注释
• 转录本异构体的全面记录

下载示例：

# 人类GRCh38基因组 wget https://ftp.ebi.ac.uk/pub/databases/gencode/Gencode_human/release_42/GRCh38.p13.genome.fa.gz # 综合注释文件 wget https://ftp.ebi.ac.uk/pub/databases/gencode/Gencode_human/release_42/gencode.v42.annotation.gtf.gz

3.4 UCSC特色功能

UCSC基因组浏览器虽然主要用作可视化工具，但也提供：

• 按染色体区域下载
• 自定义track生成
• 表观遗传数据整合

下载示例：

# 下载hg38参考基因组 wget http://hgdownload.soe.ucsc.edu/goldenPath/hg38/bigZips/hg38.fa.gz

3.5 iGenomes便捷方案

iGenomes整合了多个数据库的资源，特别适合需要快速搭建分析流程的用户。其优势包括：

• 统一命名规范
• 常用物种预打包
• 与主流分析工具兼容

下载地址：

# AWS托管的iGenomes wget https://igenomes.illumina.com.s3.amazonaws.com/Homo_sapiens/UCSC/hg38/Homo_sapiens_UCSC_hg38.tar.gz

4. 版本选择与文件校验

4.1 如何选择合适的版本

选择参考基因组版本时需要考虑：

1. 文献要求：如果复现他人分析，必须使用相同版本
2. 工具兼容性：某些软件对版本有特定要求
3. 注释完整性：新版本通常有更完整的注释
4. 数据一致性：确保所有分析使用同一版本

4.2 文件完整性校验

下载大文件时经常遇到中断或损坏，建议：

# 计算MD5校验和 md5sum Homo_sapiens.GRCh38.dna.toplevel.fa.gz # 比对官方提供的校验值 cat CHECKSUMS | grep Homo_sapiens.GRCh38.dna.toplevel.fa.gz

4.3 常见文件格式解析

• FASTA：参考基因组标准格式，包含序列ID和碱基
• GTF/GFF：基因结构注释，记录基因、外显子等信息
• BED：基因组区间文件，常用于可视化
• VCF：变异位点记录格式

理解这些格式对后续分析至关重要。比如GTF文件中每一列代表：

1. 序列名
2. 注释来源
3. 特征类型（gene/exon等）
4. 起始位置
5. 终止位置
6. 得分
7. 链方向
8. 相位
9. 属性

5. 实际应用中的经验分享

在实验室做了三年RNA-seq分析，我总结出几个关键点：

首先，一定要记录使用的参考基因组版本和下载日期。曾经因为没记录版本号，三个月后无法复现结果，不得不重做所有分析。

其次，建立本地参考数据库。我习惯把所有参考文件按以下结构存放：

/references/ ├── hg38 │ ├── genome.fa │ ├── annotation.gtf │ └── index/ # 存储比对索引 └── mm10 ├── genome.fa └── annotation.gtf

最后，对于常用物种，我会预先构建好比对索引。比如用HISAT2构建索引：

hisat2-build -p 8 genome.fa index/hg38

这样可以节省后续分析时间。