第3章：常用公共数据库——ClinVar、dbSNP、gnomAD、HGMD的获取与理解
做变异解读，你手头必须有几个靠谱的数据库。
这就像厨师做菜，得有好的食材。数据库就是我们的“食材库”。
今天这章，我就带你把四个最常用的公共数据库摸透。分别是ClinVar、dbSNP、gnomAD和HGMD。我从2008年刚开始做这行，那时候就一个dbSNP能用，现在选择多了，但坑也多了。你想想看，数据库多了，信息来源不一致，怎么选？怎么交叉验证？这才是关键。
3.1 四库定位：它们到底是干什么的？
这四个库，各管一摊。别搞混了。
| 数据库 | 全称 | 核心用途 | 在ACMG中的角色 |
|---|---|---|---|
| ClinVar | ClinVar | 临床变异与表型的关系 | 提供致病性证据（PVS1、PS1等） |
| dbSNP | dbSNP | 单核苷酸变异（SNV）的公共目录 | 变异命名、ID映射、基本频率参考 |
| gnomAD | Genome Aggregation Database | 大规模人群等位基因频率 | PM2（低频）、BA1/BS1（高频）的核心判定依据 |
| HGMD | Human Gene Mutation Database | 已知致病突变的专业级收录 | 提供罕见/已知致病变异的深度证据 |
核心原则：ClinVar看临床结论，gnomAD看频率，dbSNP当基础索引，HGMD查已知突变。各司其职，互不替代。
3.2 ClinVar：临床变异的“判决书”
ClinVar是我最常打开的第一个库。它记录了每个变异在临床上的“判决结果”——是致病还是良性。
我个人习惯，拿到一个变异，先去ClinVar看一圈。看看有没有提交记录，Review status是什么。这个状态直接决定了证据的可靠性。
ClinVar的Review Status等级：
- no assertion criteria provided：提交者没说明标准，信度低。
- criteria provided, single submitter：只有一个实验室提交，可以参考，但别全信。
- criteria provided, multiple submitters, no conflict：多个实验室结论一致，可靠性高。
- reviewed by expert panel：专家小组评审过的，这是金标准。
我在项目中遇到过，一个变异在ClinVar里有三个提交，两个判致病，一个判不确定。这时就得看提交方的质量了。如果一个是大实验室（比如Broad、Invitae），另一个是个人提交，我会更倾向于大实验室的结论。
注意：ClinVar不是实时更新的。有的提交可能过时了。你最好对照一下HGMD或gnomAD的频率，交叉验证一下。
3.3 dbSNP：变异世界的“身份证”
dbSNP的rs号，就是每个变异的身份证。几乎所有数据库都引用rs号。但别依赖它做致病性判断。
dbSNP主要提供：
- rs ID：唯一识别符，跨库查询的关键。
- 等位基因频率：但不如gnomAD准确，只能当参考。
- 功能注释：比如错义、同义、内含子区等。
- 提交历史：谁什么时候提交的，便于追溯。
怎么用？
拿到一个变异，先查dbSNP，获得它的rs号。然后用rs号去ClinVar和gnomAD里找，方便得多。
举个例子：
# 假如你有一个变异 chr1:1234567 G>A
# 去dbSNP查它的rs号（比如 rs123456）
# 然后用这个rs号在ClinVar里搜
# 再用这个rs号在gnomAD里查人群频率3.4 gnomAD：人群频率的“金标准”
gnomAD现在几乎成了ACMG解读里最常用的频率数据库。它的覆盖人群广，测序深度高，而且更新频繁。
我建议大家用gnomAD v2.1.1或v3.1.2，这两个版本数据质量最高。v4虽然数据更多，但有些群体过滤还不够完善，小心用。
gnomAD的核心数据项：
- ALLELE_FREQ：整体等位基因频率。
- POPMAX：最大人群频率。ACMG里BA1和BS1主要看这个，别用错了。
- HOM_COUNT：纯合子数量。纯合子如果很多，说明变异不太可能有害。
- FILTER：如果为
AC0或RF，这个位质量有问题，慎用。
一个小技巧：gnomAD的vcf文件里，AF字段是染色体级别的频率。如果你要算单个基因的频率，最好自己用Python或bcftools算一下。别偷懒。
我曾经踩过一个坑：一个变异在gnomAD整体频率是0.001%，但POPMAX显示在东亚人群中是2%。这个变异如果出现在东亚患者身上，就不能再用PM2了，直接考虑BS1才对。嗯，这里要注意，POPMAX是个好东西，但你要知道怎么查。
3.5 HGMD：致病变异的“专业档案”
HGMD是商业数据库，但也有一个公共版本（Professional）。它收录了文献里报道过的致病突变。
HGMD的等级：
- DM：致病突变。
- DM?：很可能致病，但证据不足。
- DP：与表型相关，但可能不是主要致病原因。
- FP：功能性多态，通常和患病无关。
怎么理解？
如果你在ClinVar里看到一个变异是“uncertain”，但在HGMD里标记为“DM”，那很可能是ClinVar还没跟上文献更新。我个人会优先相信HGMD的DM标记，再结合文献验证。
注意，HGMD公共版只有摘要，看不到完整数据。专业版需要机构订阅。学术机构一般都有，学生的话记得去图书馆问问。
3.6 一个图谱理清四个库的关系
下面这张SVG图，帮你建立这四个库的整体认知。它们不是孤立的，而是相互印证的关系。
3.7 数据获取实操：怎么把这些库拉下来？
网页查询很简单，不说了。但如果你要做批量分析，就得会本地化操作。
ClinVar和dbSNP：
直接用NCBI的FTP下载。每天更新一次。
# 下载ClinVar的VCF
wget https://ftp.ncbi.nlm.nih.gov/pub/clinvar/vcf_GRCh38/clinvar.vcf.gz
# 下载dbSNP的VCF（注意版本）
wget https://ftp.ncbi.nlm.nih.gov/snp/latest_release/VCF/GCF_000001405.39.gzgnomAD：
gnomAD的VCF和BED文件在Google BigQuery上也有。但你也可以直接下载。
# 下载gnomAD v3.1.2的WGS位点
wget https://storage.googleapis.com/gcp-public-data--gnomad/release/3.1.2/vcf/genomes/gnomad.genomes.v3.1.2.sites.chr1.vcf.bgzHGMD：
公共版相对小一些。专业版需要注册，然后通过FTP下载。格式是EMBL格式，拿到后要转成VCF才能用。
个人建议：日常批处理，千万别每次都下载全库。用bcftools或者tabix按区域提取，效率高很多。下面是一个示例。
# 使用bcftools按chr1:1000-2000提取ClinVar数据
bcftools view clinvar.vcf.gz --regions chr1:1000-2000 -o output.vcf3.8 避坑指南：我踩过的几个坑
- 坑一：直接拿dbSNP的频率当gnomAD用。dbSNP的频率更新不及时，而且没有POPMAX这个字段。我曾经差点因为这个把PM2和BA1搞反，多亏看了gnomAD的原始数据才纠正过来。
- 坑二：ClinVar的“Pathogenic”直接当PVS1。不对。ClinVar只说结论，不提供证据级别。PVS1需要你自己判断变异类型（失功能等），别偷懒。
- 坑三：HGMD的DM标记直接等同于“确凿致病”。不能。HGMD的DM标准没有ACMG那么严，有些DM可能后来被推翻了。一定要看原文，看是什么证据。
- 坑四：gnomAD的AC0过滤。如果一个变异被标记为AC0，说明它在这个版本里被过滤掉了。这个变异在人群里可能不存在，但如果你硬去查频率，得到的是0。别把AC0当作AF=0用，它只是质量不好，不一定是罕见。
好了，四个库的核心用法就这些。你只要把每个库的定位、数据字段、获取方式记住，后面的多批次对比就有底气了。数据多不可怕，怕的是不知道怎么选。