📚 课程目录第4章数据库体系概述

第4章：数据库体系概述——公共数据库分类与更新周期

做生物信息这几年，我最大的感触就是：数据库这东西，你用好了它就是神器，用不好它就是毒药。尤其是VCF注释，说白了就是拿你的变异位点去跟各种数据库比对，看看这个位点在别人那儿是什么情况。

公共数据库看起来很多，但捋一捋，其实就四大类。嗯，我先把这个框架画出来，你心里就有谱了。

群体频率数据库

这类数据库记录了某个变异在人群中出现的频率。你想想看，如果一个变异在人群中频率很高，那它导致罕见病的可能性就很低——这是最基础的过滤逻辑。

核心数据库有哪些？

gnomAD：目前规模最大的群体频率数据库。最新版覆盖了超过15万个全基因组和全外显子组。我一直在用它做过滤，效果很好。它分人群，比如东亚人群、欧洲人群，这个很重要——不同人群的频率差异很大。
1000 Genomes Project：老牌数据库，样本量虽然不如gnomAD，但有完整的家系数据和相位信息。
ExAC：gnomAD的前身，已经停止更新，但很多老项目还在用它。
dbSNP：更多是作为ID映射用，频率数据不算特别准确。

我的习惯用法：注释VCF时，我一般同时用gnomAD和1000 Genomes。gnomAD看频率，1000 Genomes看人群结构。两个对不上时，优先相信gnomAD——样本量摆在那儿。

更新周期：gnomAD基本是每年一个大版本，中间会出一些补丁版。1000 Genomes已经停更了，但它的数据仍然是最重要的参考之一。

注意：不同版本之间的频率数据可能有差异。我曾经在项目中遇到过这个坑——用gnomAD v2.1跑出来一个变异频率是0.001，换成v3.0就成了0.005。后来查了一下，是人群调整方法变了。所以，你最好在报告中标注你的数据库版本号。

功能预测数据库

这类数据库不会告诉你这个变异在人群里多常见，而是告诉你这个变异可能在功能上有多大影响。说白了，就是预测这玩意儿到底有多“毒”。

主流工具：

数据库/工具	预测原理	输出解读
SIFT	基于序列保守性和氨基酸理化性质	<0.05 预测为有害
PolyPhen-2	结合序列和结构特征	0.0~1.0 分数越高越有害
CADD	整合多种特征训练模型	PHRED得分≥20 表示前1%有害
REVEL	集成15种预测工具	>0.5 预测为致病
MetaSVM	集成多种方法用SVM模型	输出分类结果

我个人建议，不要只依赖一个预测结果。每种工具都有它的盲区。CADD覆盖面最广，但它的训练数据里有很多常见变异，可能导致漏判。SIFT和PolyPhen-2只预测错义突变，对同义突变和内含子变异就没法用了。

更新周期：这类数据库的更新很不规律。SIFT和PolyPhen-2已经很久没大更新了。CADD倒是经常更新，基本上是跟着gnomAD版本的节奏走。REVEL和MetaSVM属于“一次性模型”，训练好之后不怎么改——嗯，这点需要注意，你用的模型版本一定要写清楚。

疾病关联数据库

这才是大家最关心的：这个变异有没有在别的病人身上出现过？有没有被报道过跟疾病有关？

三大支柱：

ClinVar：由NCBI维护，收集了变异与疾病关系的证据，并且标注了临床意义（致病、可能致病、意义不明等）。我每次做注释，必须先查ClinVar。它的数据质量参差不齐，但总体来说是黄金标准。
OMIM：更偏向基因层面的疾病关联，适合做基因层面的排查。它不会说“这个变异致不致病”，但会说“这个基因跟这个病有关系”。
HGMD：商业数据库，但内容非常全。专业版需要买，公共版只有部分数据。

    一句话总结：ClinVar查变异，OMIM查基因，HGMD当备胎。这是我的日常工作流。

更新周期：ClinVar大概每个季度更新一次，会在NCBI官网公布。OMIM也是按季度更新，但速度比ClinVar稍微慢一点。HGMD专业版每月更新。

避坑指南：我曾经遇到一个情况——ClinVar上标注为“意义不明”的变异，后来查文献发现其实有很强的致病证据。数据库有滞后性，不要100%依赖它。你还是要结合你的项目数据和文献，做一个综合判断。

保守性数据库

这类数据库评估的是：某个位置的序列在跨物种进化中是否高度保守。如果这个位置在从果蝇到人的进化中一直没变，那它大概率是重要的。如果随意变化，那可能就是个“路人甲”。

常用工具：

PhyloP：计算每个位点的保守性得分。正值表示高度保守，负值表示加速进化。我喜欢用PhyloP，因为它对非编码区域也有较好的覆盖。
GERP++：也是保守性打分，方法学上略有不同。它看的是在进化中“被约束”的程度。
PhastCons：给出的是保守性概率值，而不是原始得分。

保守性数据在注释中通常作为辅助证据。比如说，一个ClinVar标注为“意义不明”的错义突变，如果它的位置在PhyloP里得了很高的保守性分数，那就增加了它是致病性的可能性。

更新周期：保守性数据库是最“稳定”的——或者说，最“不动”的。PhyloP、GERP++、PhastCons的分数基上跟随着人类基因组参考序列版本走。GRCh38出来之后，对应的保守性数据就固定了，不会再改。这种稳定其实也是好事——你不用纠结版本问题。

怎么选？怎么用？

实际操作中，你会同时用到这四类数据库。我一般的工作流是这样：

先用频率数据库把常见变异过滤掉（比如AF>0.01的直接扔掉）
再用ClinVar和OMIM看这些罕见变异有没有已知的疾病关联
如果ClinVar上标记为“意义不明”，那就用功能预测和保守性数据来辅助判断
最后，把所有的证据汇总到一起，做一个综合打分

这个过程，说白了就是一层一层筛。频率过滤是最快的，放在最早做。疾病关联和功能预测需要更多时间去分析，放在后面做。

小技巧：你可以用VCF的INFO字段把不同数据库的结果都存进去，然后用一个自定义脚本来做多数据库的加权判断。我做过一个内部的注释流程，就是为每个数据库分配一个权重——比如ClinVar致病标注的权重是0.9，而SIFT预测有害的权重是0.3，这样综合算出来一个分数，可以有效减少假阳性。

嗯，这一块儿很重要。不同的分类标准、不同的更新时间、不同的覆盖范围——这些都会影响你的注释结果。我个人经验是：数据库版本管理和结果复现能力，往往比数据库本身的选择更关键。你再用一个数据库，没有记录版本号，那你做出来的项目也没办法让同行重复。