第四节 内置数据库深度拆解：gnomAD、ClinVar、dbSNP 和 1000 Genomes

做 Funcotator 注释，说白了就是一个“对号入座”的过程。
你手里有一堆变异位点，需要知道它们在人群里有多常见、有没有临床意义、文献里有没有报道。
这些信息从哪来？就是靠内置的参考数据库。

我个人习惯，拿到一个新项目，第一件事就是把数据库结构和版本摸清楚。
今天咱们就挨个拆解 Funcotator 内置的几个核心数据源。
我会结合项目里的实战经验，把每个库的特点和坑都交代清楚。

为什么需要多个数据库？

你可能会想：一个数据库不就够用了？
事实是，每个库的定位完全不同。

数据库 核心用途 典型场景
gnomAD 人群频率 判断变异是否为常见多态性
ClinVar 临床意义 变异与疾病的关联证据
dbSNP 变异标识 获得 rs ID，方便文献检索
1000 Genomes 全球人群频率 不同族裔的携带率比较

它们之间是互补关系，不是替代关系。
我在做肿瘤 panel 注释时，经常四个数据库的结果一起看。

gnomAD：人群频率的“金标准”

gnomAD 全称 Genome Aggregation Database。
说白了，就是目前人类群体遗传学里最大的公开数据集之一。

核心作用：提供变异在不同人群中的等位基因频率（AF, Allele Frequency）。
一个变异如果在 gnomAD 里频率超过 1%，基本可以排除致病性——太常见了。

我曾经遇到过一个案例：一个被 ClinVar 标记为“可能致病”的变异，我把 gnomAD 频率调出来一看，在东亚人群里频率高达 15%。
嗯，明显是个良性多态性被误标了。

实用技巧：Funcotator 默认使用 gnomAD 的基因组版本（2.1.1），包含外显子和非编码区。如果你只关注编码区，可以考虑切换为 gnomAD exome 版本，加载速度更快。

数据格式：Funcotator 使用的 gnomAD 数据是经过预处理的 .seg 文件。
你可以在 Funcotator 配置目录里看到类似这样的文件名：

gnomAD_2.1.1_GRCh38.sorted.bgz
gnomAD_2.1.1_GRCh37.sorted.bgz

这些是 sorted bgzipped 格式，Funcotator 会自动索引。
你不需要手动解压，直接配置路径就行。

ClinVar：临床证据的“集散地”

ClinVar 的定位很简单——记录人类变异与疾病的关系。
每个条目都会包含：

  • 变异描述（HGVS 格式）
  • 临床意义（致病、可能致病、良性等）
  • 提交者（哪个实验室或研究组）
  • 证据等级（Reviewed by expert panel 或 multiple submitters）

我特别关注 ClinVar 的 ReviewStatus 字段。
如果一个变异被多个独立实验室一致评级，可信度就高得多。
如果只有一个提交者，我会标注为“待验证”。

避坑指南：ClinVar 里重复条目不少。同一个变异可能被多个实验室提交，评级还不一样。我曾经遇到过一个位点同时标注“致病”和“良性”，最后发现是不同转录本导致的。解决办法是：在 Funcotator 配置里指定 ClinVar 使用 canonical 转录本。

数据格式：ClinVar 在 Funcotator 里也是 .seg 格式。
但内部存储其实是 VCF 结构的变体。你可以用 grep 直接看部分数据：

# 不要直接解压大文件，这里只是示例
zcat clinvar_20241001.vcf.gz | head -20

输出里会有标准的 VCF header 和记录行，包含 CLNSIG、CLNREVSTAT 等关键 INFO 字段。

dbSNP：变异身份的“身份证”

dbSNP 可能你早就用过了。
它的核心功能就是给变异分配一个唯一的 rs ID。

为什么需要它？
你想想看，当你想在文献里引用一个变异，靠描述“chr1:123456 A>G”别人根本找不到。
但如果你说“rs123456”，全世界的数据库都能精确命中。

Funcotator 在注释时，会自动把变异位点匹配到 dbSNP 的 rs ID。
输出结果里会出现 dbsnp_rsid 字段。

避坑提醒：dbSNP 并不提供临床意义或人群频率信息。它的定位就是标识符。
我见过不少初学者以为 rs ID 代表“有意义”，其实 dbSNP 里包含大量无害多态性。

特性 dbSNP gnomAD ClinVar
标识符 rs ID 唯一 无专用 ID SCV 编号
人群频率 部分有 最全面 无
临床意义 无 无 核心功能
数据量 极大（含所有已提交变异） 中（仅高质量变异） 较小（仅临床相关）

1000 Genomes：全球族裔的“人类样本库”

1000 Genomes Project 是最早的大规模人类基因组项目之一。
虽然样本量（约 2500 人）不如 gnomAD，但它有一个不可替代的优势：族群信息很完整。

  • AFR（非洲）
  • EUR（欧洲）
  • EAS（东亚）
  • SAS（南亚）
  • AMR（美洲混血）

我记得有一次做药物基因组学分析，需要判断一个变异在亚洲人群里是否常见。
gnomAD 里只给了整体频率，而 1000 Genomes 明确给出了 EAS 的频率为 8.2%——这个数据直接影响了后续的用药决策。

格式说明：Funcotator 里的 1000 Genomes 数据也是 .seg 格式。
它的字段设置和 gnomAD 类似，但频率是按族群拆分的。

# Funcotator 数据源配置示例（dataSources目录下的文件）
1000Genomes_phase3_GRCh38.sorted.bgz
实战建议：如果你的样本里包含特定族裔背景，强烈建议同时使用 gnomAD 和 1000 Genomes 做交叉验证。两个库的样本来源不同，结果会有差异，结合来看更可靠。

Funcotator 如何整合这些库？

你可能会问：这些库格式不一样、版本不同，Funcotator 是怎么统一处理的？
嗯，这里就要提到 Funcotator 的“数据源引擎”了。

它其实是个模块化设计：

  1. 每个数据库提供一个 DataSource 类
  2. 每个数据源有自己的读取器和索引
  3. Funcotator 在所有数据源之间做按位并行查找

换句话说，传入一个 VCF 文件，Funcotator 会同时去四个库里查询每个位点的信息，然后把结果合并到一行注释里。

下图展示了这四个内置数据库在 Funcotator 注释流程中的位置和关系：

Funcotator 内置数据库整合结构图 VCF 变异输入 gnomAD ClinVar dbSNP 1000 Genomes Funcotator 数据源引擎 注释输出/回报表 说明：每个数据库独立存储，Funcotator 在注释时并行查询 输出结果会合并所有匹配到的字段（rs ID、人群频率、临床意义等）

实战：配置并验证数据库路径

讲完了库的作用，来点能动手的东西。
我提供一个小脚本，帮你检查当前 Funcotator 环境里已经配置了哪些内置数据库：

#!/bin/bash
# 检查 Funcotator 内置数据库

FUNCOTATOR_DIR="/path/to/funcotator/dataSources"

echo "=== 已配置的内置数据库 ==="
for dir in gnomAD clinvar dbsnp 1000Genomes; do
    if [ -d "$FUNCOTATOR_DIR/$dir" ]; then
        echo "[可用] $dir"
        ls "$FUNCOTATOR_DIR/$dir" | head -3
    else
        echo "[未配置] $dir"
    fi
done

如果某个数据库显示“未配置”，你需要从 GATK 资源包或官方 FTP 下载对应的 .seg 文件，然后放到 dataSources 目录下。

重要提示：不同版本的人类参考基因组（GRCh37 vs GRCh38）对应不同的数据库文件，千万别混用。混用了可能会报错，或者注释结果完全不对。我踩过这个坑，一个项目跑了三天才发现用的是 GRCh37 的 gnomAD 数据搭配 GRCh38 的输入 VCF。

总结一下这四个库的核心差异：

  • gnomAD：看人群频率，尤其是稀有变异过滤
  • ClinVar：看临床意义，判断是否致病
  • dbSNP：看 rs ID，方便文献和数据库交叉引用
  • 1000 Genomes：看族裔特异性频率，适合群体遗传学研究

实际项目中，我一般会同时开启这四个库的注释。
一个位点拿到四条线索，交叉验证后再下结论，准确率会高很多。

← 上一章 📖 返回目录 下一章 →