📚 课程目录第2章注释矛盾问题

注释矛盾：生物信息学中最隐蔽的“坑”

我入行第三年，接过一个癌症转录组项目。两批测序数据，分别用Ensembl和RefSeq注释，结果同一个基因的转录本数量差了3倍。当时我盯着差异表达列表发愣——这到底算不算差异？老板催着交报告，我只能硬着头皮解释。

从那以后，我就特别留意注释矛盾的问题。说白了，就是不同来源、不同版本、不同流程给你的基因/转录本/蛋白质编号不一样，导致后续分析没法对齐。

什么是注释矛盾

注释矛盾，指在整合多批次或多来源数据时，同一条生物实体（基因、转录本、蛋白质）被赋予了不一致的标识符、结构描述或功能标签。它不光是ID不同，还包括：

ID映射丢失：同一基因在不同数据库里ID不互通
转录本结构不一致：同一基因在不同参考基因组上的外显子坐标不一样
功能注释打架：同一个蛋白被标成“激酶”和“磷酸酶”

我会在下一个项目里避免这种问题——但说实话，很多人根本意识不到注释矛盾已经发生了。

常见场景归纳

我把这几年踩过的坑和同行交流的案例整理成了一张表。你对照着看，基本能覆盖80%的情况。

场景类型	典型矛盾	易发阶段
不同公共数据库间	Ensembl的ENST vs RefSeq的NM	交叉比对、Meta分析
同一数据库不同版本	GRCh37 vs GRCh38的坐标偏移	跨版本整合
不同注释工具	STAR vs HISAT2的转录本组装	定量、融合基因检测
多批次数据融合	芯片平台A vs RNA-seq平台B的探针ID	批次效应校正
自定义注释冲突	实验室内部GTF与公共注释重叠	新转录本注释

场景1：不同公共数据库间的“ID战争”

这个最经典。Ensembl和RefSeq使用两套完全不同的编号体系。你拿Ensembl的基因ID去NCBI查，大概率空手而归。反过来也一样。

我个人的习惯：能用一个数据库就死磕一个。如果非要用两个，必须提前建好对应表。别信那些号称“自动映射”的工具——我试过，至少会丢5%的对应关系。

举个例子，人类基因BRCA2：

Ensembl: ENSG00000139618
RefSeq: 675
UCSC: uc001vne.4

这三个ID指向同一个基因，但没有任何公共字段能直接连起来。你只能通过外部ID映射（比如Entrez Gene ID或HGNC symbol）来桥接。桥接也不是万能的——有些基因在某个数据库里根本不存在。

场景2：同一数据库的版本跨越

这个坑我印象最深。以前做TCGA数据整合，发现样本的参考基因组版本不统一：有的用GRCh37（hg19），有的用GRCh38（hg38）。同一个基因的起始位置差了上万bp。如果没有做liftOver，直接合并坐标算表达量，结果完全乱套。

为什么会这样？

参考基因组版本升级：例如从hg19到hg38，染色体坐标整体重排
基因模型修正：新版本可能改了某个基因的外显子边界
ID淘汰：老版本里的稳定ID在新版里被废弃

我曾经吃过一个亏：两个公开数据集分别标注了“hg19”和“GRCh37”，我还以为差别不大。结果发现Ensembl的GRCh37其实对应hg19，而UCSC的hg19和NCBI的GRCh37在某些region上表达不一致。最后浪费了一周时间做坐标重映射。

场景3：不同注释工具的“暗战”

高通量数据分析中，不同工具会给出不同的注释结果。比如做转录组定量时：

STAR + RSEM：基于STAR的splice-aware比对，再通过RSEM做定量，注释依赖给定的GTF
HISAT2 + StringTie：HISAT2比对后，StringTie会重新组装转录本，产生一套新的GTF

两套GTF可能合并出不同的基因模型。如果一个项目混合了两种定量结果，直接合并counts矩阵，你会发现同一个基因出现了多个不同ID的转录本。

# 软件A输出的转录本ID示例
transcript_id "ENST00000380152"
gene_id "ENSG00000012048"

# 软件B输出的转录本ID示例
transcript_id "STRT.1.1"   # StringTie自动编号
gene_id "STRG.1"           # 虚构的基因ID

除非你强制两者使用相同的GTF输入，否则结果基本没法直接对比。

  最佳实践：在项目设计阶段就统一注释来源。比如全用GENCODE v34，所有工具都基于同一个GTF跑。

场景4：多批次数据融合时的注释冲突

这个场景做Meta分析、公共数据库整合的人经常碰到。假设你要合并来自GEO、ArrayExpress、SRA三个数据库的100个样本，它们的注释格式千奇百怪：

部分使用Illumina探针ID（如ILMN_123456）
部分使用RefSeq转录本ID（NM_001234）
部分甚至只给了基因symbol

我见过一个极端案例：同一个探针ID在两个批次里映射到了不同的基因symbol。原因是平台更新了探针序列，但ID没有变。注释矛盾就这样悄无声息地混进了数据里。

批次	原始ID	映射基因A	映射基因B
批次1	ILMN_123456	TP53	—
批次2	ILMN_123456	BRCA1	—

这种矛盾如果不提前做探针序列比对，你永远发现不了。我一般会拉出每个批次的探针与参考基因组的比对结果，看看是否出现不一致的对齐位置。

场景5：自定义注释与公共注释的较量

很多课题组会发布自定义的注释文件，比如实验室自己预测的新基因、新转录本。把这些自定义GTF和公共GTF合并到一起时，名字空间冲突是家常便饭。

# 公共GTF中的基因
chr1     GENCODE  gene    1000    5000    .   +   .   gene_id "ENSG00000123456.10"

# 实验室自定义GTF中的基因
chr1     custom   gene    1000    5000    .   +   .   gene_id "GENE001"

如果两个文件都含有名为“GENE001”的基因，且坐标不同，合并后就会出现歧义。更麻烦的是，有些自定义注释故意保留“novel_gene_v1”这种名字，跟公共注释里某个旧版基因冲突。

避坑指南：自定义注释一定要加特殊前缀，比如“lab_”开头。同时记录每个自定义ID对应的公共ID（如果有的话）。这能省掉后续80%的烦恼。

注释矛盾的常见源头（思维导图）

我画了一张图，把这些场景串起来。你看一眼就能记住核心矛盾点在哪里。

小结

注释矛盾不是小问题。它会导致：

差异基因列表不可复现
Meta分析效应量估计偏差
临床标志物筛选失败

我自己的做法是：项目开始前花1小时统一注释标准，胜过后面花1周去拆雷。遇到不确定性时，多查两个数据库的原始比对结果，别轻易相信ID对ID的自动映射。