📚 课程目录第4章加载参考基因组

4. 加载参考基因组：hg19/hg38、自定义参考、索引文件

说实话，刚开始用IGV那会儿，我栽过一个跟头。当时拿到一批WES数据，怎么看都觉得变异位点不对，折腾了半天才发现——参考基因组版本没对上。后来我就养成了一个习惯：拿到数据第一件事，先确认参考基因组版本。

参考基因组是什么？说白了，就是一条标准答案。我们把测序得到的序列往这个标准答案上比对，才能发现哪里有差异。所以这一步选错了，后面全白干。

4.1 参考基因组版本的选择

目前最常用的两个版本就是hg19和hg38。你可能觉得这两个差不多，但实际用起来差别还挺大。

我列个表，方便你对比：

对比项	hg19 (GRCh37)	hg38 (GRCh38)
发布时间	2009年	2013年
基因组大小	约3.1 Gb	约3.2 Gb
gap区域数量	较多，约300+	显著减少，约80+
着丝粒/端粒表示	N填充，缺失较多	改进，有更多准确序列
数据库兼容性	dbSNP、ClinVar等主流数据库仍支持	新版数据库逐步迁移至此
常用场景	旧项目、已发表研究、兼容老数据库	新项目、高精度分析、长读长数据

我个人习惯是这样：如果是回顾性分析，或者需要跟已发表的数据库比对，我会用hg19。如果是启动新项目，特别是全基因组或者长读长测序，我直接上hg38。为什么呢？hg38修正了hg19里很多错误组装，gap更少，在一些重复区域的表示也更准确。

关键点：参考基因组版本必须与你的比对文件和注释文件保持一致。BAM/VCF文件的头部信息通常会记录使用的参考版本，你可以用samtools view -H或bcftools head查看。

我的习惯：在项目文件夹里建一个reference_notes.txt，记录下使用的参考基因组版本和下载日期。别看这个小动作，上次有个同事项目做了半年才发现版本错了，那叫一个惨。

4.2 在IGV中加载hg19/hg38

IGV默认自带了一些常用基因组，加载起来很方便。你打开软件后，在顶部的Genome下拉菜单就能看到。

具体操作步骤如下：

打开IGV软件
点击顶部菜单栏的 Genomes
选择 Load Genome From Server...
在弹出的窗口中找到 Human hg19 或 Human hg38
点击 OK，等待下载完成

加载完成后，你会在基因组坐标栏看到类似"chr1:10,000-20,000"这样的显示。

注意：如果你的网络环境不太好，下载参考基因组可能会比较慢。我第一次在学校实验室用IGV，等了快十分钟才加载完hg38。后来我就学乖了，提前下载好离线包。

4.3 自定义参考基因组

但实际工作中，我们经常需要加载非标准参考基因组。比如研究细菌、病毒，或者使用参考基因组的特定版本（像某些疾病的参考基因组）。这时候就需要用自定义参考。

我自己用的最多的场景是做罕见病分析，经常会用到一些特殊的参考基因组，比如加了替代等位基因的或masked版本。

加载自定义参考基因组的方法：

点击 Genomes → Load Genome from File...
在弹出的文件选择对话框中，选中你的参考基因组FASTA文件
点击 Open 完成加载

这里要注意，IGV对FASTA文件有格式要求：

FASTA文件的行首不能有空格
序列行（非标题行）建议每行60-80个字符，不要太长
染色体名称最好用标准格式，比如chr1、chr2，不要用"1"、"2"这种，虽然也能用，但容易混淆

避坑指南：我曾经加载一个自定义参考，结果IGV卡住了很久。后来发现是FASTA文件里有一条染色体名称包含了空格。你想想看，IGV在解析的时候直接就乱了。所以建议你染色体名称不要包含空格、特殊符号，最好只用字母、数字和下划线。

4.4 索引文件：.fai 和 .gzi

嗯，这里要注意。IGV加载参考基因组时，会要求同时存在索引文件。没有索引文件，IGV就没办法快速定位到指定区域。为什么呢？因为基因组文件太大了，如果没有索引，每次查找都要从头扫描，那速度简直没法用。

参考基因组的索引文件主要有两种：

索引类型	文件名后缀	生成工具	作用
FASTA索引	.fai	samtools faidx	记录每条染色体的名称、长度、偏移量等
压缩文件索引	.gzi	bgzip + tabix	对bgzip压缩的FASTA进行随机访问

.fai文件是纯文本格式，内容类似这样：

chr1    248956422    6    50    51
chr2    242193529    253404391    50    51
chr3    198295559    495547051    50    51
chr4    190214555    693784781    50    51
chr5    181538259    883956678    50    51

每一行代表一条染色体，内容依次是：染色体名称、序列长度、在FASTA文件中的偏移量（字节）、每行碱基数、每行最后一个碱基后的换行符数（包括回车和换行）。

生成索引文件很简单，用samtools一行命令搞定：

samtools faidx hg38.fa

这条命令会在hg38.fa同目录下生成hg38.fa.fai文件。如果你的参考基因组是bgzip压缩的，比如hg38.fa.gz，还需要额外生成.gzi索引：

tabix -p hg38.fa.gz

个人经验：如果IGV提示"Index not found"，别慌。检查一下三个地方：第一，索引文件是否与FASTA在同一目录；第二，文件名是否一致（比如hg38.fa对应hg38.fa.fai）；第三，索引文件是否损坏。我记得有一次，索引文件下载到一半网络断了，导致文件不完整，IGV直接报错。

4.5 整体流程梳理

好了，我把这一章的核心逻辑用一张图串起来。你一看就明白参考基因组加载的完整流程了：

画得有点糙，但逻辑很清楚。整体就三步：获取FASTA、生成索引、在IGV中加载。每一步都有坑，每一步我都踩过。

4.6 常见问题与解决方案

最后，我把我在项目中遇到过的几个典型问题整理了一下：

问题现象	可能原因	解决方案
IGV报错"Index not found"	.fai文件缺失或文件名不匹配	用`samtools faidx`重新生成
加载FASTA后染色体名显示异常	FASTA标题行包含非法字符	检查并清理名称，去除空格和特殊符号
IGV内存溢出或响应极慢	FASTA文件太大或格式不规范	压缩为.bgzip格式，并生成.gzi索引
VCF/BAM与参考基因组不匹配	参考基因组版本不一致	用IGV的"Check Genome"功能验证
服务器加载hg38超时	网络环境差或服务器故障	从UCSC/Ensembl下载离线FASTA和索引

特别提醒：我曾经在一次培训中看到学员加载了hg19的参考基因组，却用hg38的注释文件，结果变异位点全偏了。参考基因组、比对结果、注释信息三者版本必须一致，这是最基本的底线。