📚 课程目录第2章基因组注释基础

2. 基因组注释基础：参考基因组、基因模型、转录本、外显子与内含子

做基因组注释之前，有几个基础概念你得先搞清楚。我入行那会儿，就是被这些名词绕晕过——参考基因组、基因模型、转录本、外显子、内含子，听着差不多，实际上差远了。今天就掰开了聊聊这些事儿。

2.1 参考基因组：你的比对基准

参考基因组，说白了就是某个物种的一条「标准答案」序列。不是某个真实个体的基因组，而是由多个个体测序数据拼装、矫正后形成的共识序列。我习惯把它理解成一张高精地图，你把你测的短读长往上一贴，就知道它在基因组上的位置了。

参考基因组一般包含：

染色体级别的序列——每条染色体一条线，N50越高越好
未定位的scaffold和contig——暂时挂不上染色体的碎片，以chrUn命名
线粒体、叶绿体等细胞器基因组——别漏了这些小的

你下载参考基因组时，常见的文件名是这样的：

GRCh38.p14.genome.fa                # 人类参考基因组，染色体级别
TAIR10_chr_all.fas                  # 拟南芥参考基因组
GRCm39.genome.fa                    # 小鼠参考基因组

注意：参考基因组版本号不是随便写的。同一个物种在不同年份出的版本，序列和基因坐标可能差很多。我曾经遇到过有人用hg19的注释去比对GRCh38的基因组，结果一堆基因坐标对不上，白跑一圈流程。

2.2 基因模型：注释系统的基本单位

基因模型是对一个基因及其产物的完整描述。它包含起始位置、终止位置、正负链方向、外显子-内含子结构，以及转录本信息。你想想看，一个基因模型长什么样子？

我习惯把它看作一个结构化条目：

字段	说明
gene_id	全局唯一标识符，如 ENSG00000139618
基因符号	官方命名，如 BRCA1、TP53
染色体定位	chr17:43,044,295-43,126,367
链方向	+ 或 -，决定转录方向
基因类型	protein_coding、lncRNA、pseudogene等

基因模型不是凭空来的。一般通过三种证据综合得来：

转录组证据——RNA-seq、全长cDNA序列
同源证据——其他物种已知蛋白序列比对
ab initio预测——基于统计模型直接预测基因结构

我记得有一次做植物基因组注释，就是因为EST数据没有加进来，结果漏了一整类逆境响应基因。后来把全长转录本数据整合进去，才补齐了这些模型。

2.3 转录本：一个基因的多种面孔

一个基因可以有多个转录本。这就是可变剪接。你别以为一个基因只产生一种mRNA，实际上，一个基因能剪出几十种甚至上百种转录本。为什么会这样？因为外显子可以跳过，内含子可以保留，5'/3'端也可以有不同的起始或终止位点。

我建议初学者动手看看GTF文件，你会看到每一行记录里的feature类型。同一个gene_id下面，可以挂多个transcript_id：

chr1    ENSEMBL  transcript  11869   14409   .   +   .   gene_id "ENSG00000223972"; transcript_id "ENST00000456328";
chr1    ENSEMBL  transcript  12010   13670   .   +   .   gene_id "ENSG00000223972"; transcript_id "ENST00000515242";
chr1    ENSEMBL  transcript  12010   14409   .   +   .   gene_id "ENSG00000223972"; transcript_id "ENST00000641515";

你仔细看，这三个转录本坐标不一样，意味着它们编码的产物也不同。我们在做注释质控的时候，特别关注转录本的完整性——有没有完整的ORF、有没有支持性的转录证据、或者只是ab initio预测的产物。

关键指标：

每个基因的转录本个数——太多太少都不正常
转录本支持的证据类型——是RNA-seq覆盖的全长还是只有部分外显子
转录本在群体中的表达水平——不表达的转录本八成是假阳性

2.4 外显子与内含子：基因结构的最基础组件

外显子是最终出现在成熟mRNA中的序列，内含子则是在剪接过程中被切除的序列。我画个简单关系图：

基因组DNA:
[外显子1]---内含子---[外显子2]---内含子---[外显子3]

转录后RNA:
[外显子1][外显子2][外显子3]   ← 内含子被剪掉了

这里面有几个坑，我在项目里踩过：

外显子大小不规则——有些外显子只有3bp，有些长达10kb。你如果只按默认参数去预测，很容易漏掉小外显子。
内含子边界信号——典型的剪接位点是GT-AG，但也有GC-AG这种非标准信号。我建议在质控环节统计一下剪接位点比例，如果非标准信号超过5%，那你的注释可能有问题。
相位问题——外显子之间的连接不能破坏密码子。相位信息在CDS注释里特别重要，搞错了会导致翻译出来的蛋白质完全不对。

说到外显子和内含子的分界，我想起来一个经典坑：你从GTF文件里看到的外显子坐标，是基因组空间的绝对坐标，不是mRNA空间的相对位置。所以在做批量统计的时候，一定要先转换坐标系，不然算出来的长度全是错的。

2.5 一张图把这些关系串起来

我把这四个概念的关系画成一张SVG图，你一看就明白了。参考基因组是底层的连续序列，基因模型定义了大致的结构边界，转录本是具体的可变剪接产物，外显子和内含子则是基因模型里面的基本组件。

给新手的建议：如果你第一次接触基因组注释，我建议你手工打开一个GTF文件，随便挑一个基因，把它的所有转录本、外显子坐标都列出来，画在纸上。这一步做完，你对上面这些概念的理解会深很多。

2.6 概念对比：别把名词搞混

我做了这么多年质控，最常见的错误就是概念混淆。下面这个表，是我整理给团队新人的，希望对你有用：

概念	类比	常见误解
参考基因组	一张空白地图	误以为是某个具体个体的基因组
基因模型	地图上的一个「建筑规划」	以为模型等于转录本
转录本	建筑实际的「使用形态」	以为一个基因只有一个转录本
外显子	建筑里被使用的「房间」	误以为外显子长度固定不变
内含子	建筑里被舍弃的「走廊」	以为内含子没用，其实里面有调控元件

你看，把这几层关系理清，后面理解注释质控的指标就顺了。我建议你随时回来翻翻这个章节，特别是当你看到GTF里一堆gene_id和transcript_id的时候，别晕，它们都是有章可循的。