2、常见变异注释数据库概览：dbSNP、ClinVar、gnomAD、COSMIC、1000 Genomes等归纳总结

做变异注释，第一件事就是搞清楚：你到底想要什么信息？

是看这个位点以前有没有人报道过？还是看它跟疾病有没有关系？又或者想知道它在人群里的频率有多高？

这几个问题，分别对应着不同的数据库。我刚开始做NGS分析那会儿，总想着一个数据库搞定所有事，结果就是频繁掉坑。说白了，每个数据库有自己的“脾气”和“使命”。

下面我按自己的使用习惯，把最常用的五个数据库逐个捋一遍。

2.1 dbSNP——变异的“身份证中心”

dbSNP是NCBI维护的公共数据库。它的核心价值在于：给每个已知变异发一个唯一的rs号。

我经常把dbSNP比作变异的“户籍系统”——不管这个位点是良性还是致病，只要有人报道过，基本就能在这里找到记录。

• 数据来源：来自全球科研人员提交的大量测序数据和文献挖掘。
• 包含内容：SNP、短插入缺失(Indel)、多态性位点等。数量级以亿计。
• 典型用法：查rs号、确认位点是否已被报道、获取参考等位基因频率。

2.2 ClinVar——临床级别的“裁判席”

ClinVar是NCBI另一个重磅数据库。跟dbSNP不同，它聚焦于变异与疾病的关系，以及临床意义。

我一般这么说：dbSNP告诉你“这个位点存在”，ClinVar告诉你“这个位点该不该管”。

• 关键字段：CLNSIG（临床意义，如致病/良性/意义不明VUS）、CLNDN（相关疾病名称）。
• 星级评分：1星到4星，评级越高说明证据越充分。我个人习惯只看≥2星的条目做临床判断。
• 注意陷阱：同一个位点可能出现多个提交者的不同结论（如良性vs致病）。这时候要看“评审状态”和星数。

2.3 gnomAD——人群频率的“标尺”

gnomAD（Genome Aggregation Database）来自Broad Institute。它庞大的数据库告诉我们：一个变异在健康人群里有多常见。

为什么这个重要？你想想看，如果一个变异在健康人群里出现了5%以上，那它作为罕见致病变异的可能性就极低。这就是频率过滤器的作用。

• 样本量：超过15万个全基因组/全外显组数据。
• 分人群：欧洲、非洲、东亚、南亚等；东亚里还有中国人亚群数据。千万别混用。
• 核心字段：AF（总等位基因频率）、AFR（非洲）、EAS（东亚）等。
• 阈值参考：做遗传病分析时，我通常用 AF > 0.01 作为筛选过滤条件。

2.4 COSMIC——肿瘤突变的“百科全书”

COSMIC（Catalogue Of Somatic Mutations In Cancer）是专门针对体细胞突变的数据库。跟前面几个不一样，它不做人群频率，而是关注哪些变异在肿瘤样本中反复出现。

做癌症基因组分析时，COSMIC几乎是必查选项。

• 特色数据：突变ID（COSM开头）、突变类型（如missense/nonsense）、在一级结构域内的分布、肿瘤类型统计。
• 数据量：数百万个体细胞突变，覆盖数千种肿瘤样本。
• 一个重要概念：COSMIC里“CGC”（癌症基因普查）列表中的基因是经过人工审核的关键基因，一般要优先关注。

2.5 1000 Genomes——群体遗传的“参考面板”

这个项目虽然启动得早，但它的价值在今天一点没减——它构建了全球化人群的变异参考面板。

• 样本：来自26个群体的2504个个体。
• 主要用途：确定一个变异的整体群体频率、做基因型推算（imputation）的参考面板、研究连锁不平衡。
• 与gnomAD的区别：我粗俗一点讲——1000 Genomes是“稀疏但确定”的表，gnomAD是“密集但嘈杂”的表。前者样本少但深度测，后者海量样本但部分来自外显子组。

2.6 数据库对比速查

数据库	核心用途	典型场景	频率要求
dbSNP	已知性判别	查rs号，确认是否有报道	低
ClinVar	临床意义判定	判断变异是否致病	中
gnomAD	人群频率筛除	过滤低频罕见变异	高（必须在0.1–1%）
COSMIC	体细胞突变积攒	查找癌种特异性突变	不适用
1000 Genomes	群体背景参考	计算遗传距离/做imputation	中

2.7 获取与更新

这些数据库基本都是公开的，通过FTP或API下载。注意几点：

• 每个数据库有各自独特的ID系统，先理清映射关系。
• 数据库版本更新频繁，定期检查更新。
• 我建议建立本地缓存，别每次都Web查询，效率太低了。