4. 序列ID（seqid）命名规范与陷阱

序列ID，也就是GFF3文件里第一列的seqid，是每个注释行与基因组序列之间最直接的桥梁。很多人觉得它不过是个名字，写对了就行——但我在项目中见过无数次，因为seqid的拼写、大小写、甚至一个多余的空格，导致整个分析流程直接崩掉。

今天我们就来把seqid的坑一个个填平。

4.1 GFF3标准对seqid的要求

翻一下GFF3的官方规范（Sequence Ontology Project），对seqid其实只说了两句话：

• 必须与FASTA文件夹中的序列标识符完全一致。
• 不能包含空白字符（空格、制表符、换行符）。

但实际项目里，你遇到的基因组文件可能来自不同来源。有的用chr1，有的用1，有的带scaffold_前缀……每个名称都有它的脾气。

4.2 大小写问题：别以为“chr1”和“CHR1”是一个东西

我之前接手过一个项目，GFF3文件里写的是chr1，FASTA的序列头却是1。下游工具比如bedtools、gffread直接报错说“找不到序列”。花了半天排查，最后发现只是多了个"chr"前缀。嗯，这种错误最烦人——你根本不会怀疑是名字问题。

更隐蔽的是大小写。Linux默认的文件系统是区分大小写的，但很多数据库（比如MySQL的默认排序规则）不区分。所以如果你用内存数据库加载GFF3时，Chr1和chr1可能被当作同一个东西，但写回文件时又分开了。

我的一个习惯：在项目开始前，先确认一个“字典文件”，把所有seqid列出来，做成一个对照表，存成纯文本。然后用脚本检查GFF3里的seqid是否都在这个表里。这一步虽然笨，但能挡住99%的命名错误。

4.3 特殊字符与转义

GFF3文档明确说了seqid不能包含以下字符：

空格  制表符  换行符  |  回车符  %

但实际数据里，我见过以下奇奇怪怪的字符：

• 连字符和点号：scaffold_1.v2——点号在GFF3中不是保留字符，但有些解析器会把点号当作URL编码的一部分，容易出bug。
• 冒号：chr1:1000-2000——这其实是区域表示法，不该出现在seqid里，但我真见过有人这么写。
• 分号：chr1;version2——分号是GFF3的注释起始符，写在seqid里会导致整行被当作注释。

另外，%字符是不允许的，但有人会用%20代替空格——这也不行。GFF3规范要求seqid必须能用正则表达式[a-zA-Z0-9_:.*^$#@!-]描述，但实际更严格：最好只包含字母、数字、下划线、连字符和点号。

4.4 版本号与后缀

NCBI的RefSeq序列ID通常带版本号，比如NC_000001.11。那个“.11”是版本号，是seqid的一部分。很多人在做对照时只写NC_000001，然后匹配不上。

还有更坑的：同一个基因组的不同版本，比如GRCh37和GRCh38，它们的seqid可能一模一样（比如都叫1），但序列内容不同。如果你不把版本信息嵌入seqid或附加元数据，后续分析完全不知道用的是哪个版本。

4.5 多序列ID与别名

有些基因组有多个名称，比如线粒体可能叫chrM、M、MT、mitochondria。如果你手里的GFF3文件用了chrM，但FASTA用的是M，那就要做别名映射。

我曾经在一个植物基因组项目里，遇到三种不同的命名系统：

GFF3里用: scaffold_1   scaffold_2   ...
FASTA用: SCAF00001    SCAF00002    ...
第三方注释用: chr1A   chr1B        ...

我当时写了一个Python脚本，先读.fai索引文件获取所有序列名，再读GFF3文件，检查每个seqid是否存在于索引中。不存在就报错并输出可能的候选（比如去掉前缀、加上后缀等）。那套脚本后来成了我们团队的质检标准。

4.6 工具对seqid的处理差异

不同的工具对seqid的处理方式不一样，这是最容易踩坑的地方。我整理了一个对比表：

看到没？gffread会自作主张把chr1变成1——如果你的分析链路混合使用了多个工具，这种“自动修剪”就可能让上下游衔接不上。我个人建议，在管道的第一个步骤就统一使用一个“标准化函数”，将seqid转为一致格式，后面所有工具都基于这个标准格式运行。

4.7 避坑指南：我的一些血泪总结

• 永远不要靠人眼看：检查seqid一致性，用脚本。哪怕只有几兆大小的小文件，也要跑一遍。
• 正则表达式检查：先用一个简单脚本，提取所有seqid，去重，然后跟FASTA索引对比。
• 注意隐藏字符：Windows下编辑的GFF3文件可能在seqid末尾带\r。用cat -A看一眼，或者用sed 's/\r//'清理。
• 别名映射表：当基因组文件来自不同来源时，建一个map.tsv文件，每一行表示“别名 -> 标准名”。这比硬编码更可靠。

最后，送你一个我常用的检查命令：

# 提取GFF3所有seqid并排序去重
cut -f1 sample.gff3 | sort -u > seqid_in_gff.txt

# 提取FASTA索引中的序列名
cut -f1 genome.fasta.fai | sort -u > seqid_in_fasta.txt

# 对比差异
diff seqid_in_gff.txt seqid_in_fasta.txt

如果有输出，那就是seqid不匹配。赶紧去修吧。