📚 课程目录第2章注释质量评估指标

2. 注释质量评估指标：完整性、一致性、准确性

这一章咱们聊聊评估注释质量的三个核心指标。说白了，就是回答三个问题：全不全、乱不乱、准不准。我最早做质控的时候，经常把这三个混在一起谈，后来踩了几次坑才发现——每个指标都对应不同的检查手段和修复策略。

我习惯把这套评估体系画成一个三角关系，你一看就明白了：

2.1 完整性：你到底漏了多少东西

完整性是什么意思？该有的都得有。一个完整的注释文件，应该覆盖参考基因组上所有已知的基因区域。我曾经处理过一个水稻的注释文件，看上去挺漂亮，结果一比对参考序列，染色体末尾Z字区居然少了整整23个基因。为什么会这样？

检查完整性，我通常分三步走：

基因计数对比：用同一个参考基因组的不同注释版本做对比
BUSCO评估：基于直系同源基因库看覆盖度
转录组映射验证：把RNA-seq读段贴回去，看多少reads落在注释区域外

我记得有一次帮同事检查人类基因组注释，他们用的Ensembl release 105和RefSeq的差异，光蛋白编码基因数量就差出三百多个。这时就得看哪些基因在Ensembl里有，RefSeq里没有。你想想看，如果你做的是疾病位点分析，漏掉一个关键基因可能整个结论都得推翻。

实际检查时，我常用这么一段组合命令：

# 统计每个染色体上的基因数量
awk '$3=="gene"' your_annotation.gtf | \
  cut -f1 | sort | uniq -c | sort -k1 -rn

# 用GFFRead提取基因ID列表
gffread -T your_annotation.gtf \
  -g reference.fa \
  --ids-only | wc -l

一个小技巧： 完整性检查不要太依赖单一数据库。我习惯把Ensembl、RefSeq、GENCODE三家的注释同时导进来做交叉比对。如果某个基因只在两个库里出现，它仍然可能是真的。如果只有一个库有，那就要重点怀疑。

2.2 一致性：别让你的注释自己打自己

一致性，通俗点说就是不能前后矛盾。同一套注释文件里，基因ID、转录本ID、外显子格式这些必须统一。我见过最离谱的一个案例——同一个基因，在GFF的gene行里写的是"gene:ENSG000001"， transcript行里却变成了"transcript:ENST000004"，前缀格式不一致，下游分析工具直接报错。

常见的几类一致性问题：

问题类型	具体表现
ID格式冲突	同一基因在不同行用不同前缀（gene: vs GENE:）
父子关系断裂	exon的parent ID引用了不存在的transcript
相位不连续	CDS的frame 0、1、2在跨外显子时跳变
坐标矛盾	exon的起止范围超出了transcript范围

我团队里新人经常问我：为什么相位这么重要？我给他们举过一个例子——你写了一个CDS，第一个外显子frame是0，第二个外显子frame是1，第三个又变回0。翻译出来的氨基酸序列没有一个是对的。这就是一致性被破坏的后果。

我自己写了一个小脚本专门做一致性检查，放到CI流程里每天跑一次：

# 一致性检查片段（Python风格伪代码）
for line in gtf_lines:
    if line.type == "exon":
        parent = line.attributes["parent_id"]
        if parent not in all_transcript_ids:
            report_error(f"孤儿外显子: {line.id}, 父级不存在")
    if line.type == "CDS" and last_cds is not None:
        expected_frame = (last_cds.end_pos % 3) 
        if line.frame != expected_frame:
            report_warning(f"相位异常: {line.id}")

避坑指南： 我曾经处理过一个六倍体小麦的注释文件，一致性检查跑出来三千多个孤儿外显子。后来定位到原因——转录本行因为ID长度超过了GFF规范（255字符）被截断，导致外显子的parent引用全部失效。所以注意，不同软件对ID长度的上限要求可能不一样，一定要先看你的工具文档。

2.3 准确性：错误比缺失更可怕

准确性是三个指标里最难保证的。注释错了但看着像对的，比干脆缺失更危险。缺失最多是漏信息，错误可能导致你得出一个漂亮的、但完全错误的结论。

常见的准确性缺陷包括：

外显子边界偏移：剪接位点预测偏差，导致exon边界与实际转录产物不匹配
CDS预测错误：起始密码子或终止密码子定位不准
UTR边界猜测：没有实验数据支撑，纯靠算法推断
基因融合误判：把相邻基因合并成单个融合基因

我记得有一个经典案例——在果蝇的注释里，一个叫eyeless的基因被注释成只有两个外显子。但后来通过PacBio全长转录组测序发现，其实还有一个很短的第三个外显子，之前因为长度低于默认阈值被过滤掉了。这个外显子刚好编码了蛋白的关键结构域。你看，一个阈值就导致注释不准确。

验证准确性，我现在用两种数据交叉：

# 用Cuffcompare验证注释准确性
cuffcompare -r reference_annotation.gtf \
  -s genome.fasta \
  -o cuffcmp_output \
  your_new_annotation.gtf

这个命令会输出三类结果：匹配参考的（"="）、兼容的（"c"）、新的（"j"和"n"）。我重点关注那些不匹配的，看一下是注释对还是参考对。

一句话总结三个指标：

完整性回答「有没有」—— 缺的是不是关键基因
一致性回答「乱不乱」—— 格式和关系是否自洽
准确性回答「对不对」—— 位点和结构是否与实际一致

在实际项目中，这三个指标不是孤立的。我当时在做一个真菌的denovo注释，完整性检查发现少了5号染色体上所有tRNA注释。查一致性发现缺失是因为tRNA的ID格式和基因模型不统一，导致合并时被跳过。最后做准确性验证，发现实际上tRNA的坐标预测也偏差了十几个碱基。你看，三个问题往往会连锁反应。

所以我的建议是：先做完整性粗筛，再做一致性格式检查，最后用实验数据验证准确性。三层过滤下来，注释质量基本能到可交付水平。