📚 课程目录第1章基因组注释概述

1、基因组注释概述：从原始序列到功能蓝图

大家好，我是老陈。做了十几年基因组注释，今天咱们聊聊最基础也最关键的问题——到底什么是基因组注释。

说白了，基因组注释就是把一段段ATCG的序列，翻译成我们能理解的生物学语言。你拿到一个物种的基因组草图，不能只盯着碱基看吧？我们要知道哪个位置是基因，哪个区域是非编码RNA，哪个片段是重复序列。这些信息，就是注释要干的事。

1.1 什么是基因组注释？

基因组注释，我的理解是：给DNA序列赋予生物学意义。就像拿到一本外文书，你需要标注词汇、语法、篇章结构，才能弄懂它讲什么。基因组注释也是类似的道理。

我在刚入行那会儿，给一个细菌基因组做注释。当时不懂，跑完流程就算了。结果同行一看，说你这某个区域明明是假基因，怎么标成蛋白编码了？从那以后我明白了，注释不只是跑软件，需要理解背后的生物学逻辑。

注释的输入是组装好的基因组序列（FASTA格式），输出是各种特征的坐标、类型、功能描述。常见的输出格式包括GFF3、GTF、BED等。举个例子：

##gff-version 3
chr1    .       gene    1001    5000    .       +       .       ID=gene1;Name=BRCA1
chr1    .       mRNA    1001    5000    .       +       .       ID=mRNA1;Parent=gene1
chr1    .       exon    1001    1500    .       +       .       ID=exon1;Parent=mRNA1
chr1    .       CDS     1101    1500    .       +       0       ID=cds1;Parent=mRNA1

这个GFF3文件记录了基因、转录本、外显子、CDS的位置信息。每一行代表一个特征，9列信息清清楚楚。

1.2 核心任务：三大块

基因组注释的核心任务，我个人分成三大块。你在任何一个项目中，都绕不开它们。

基因组注释三大核心任务：

基因预测 —— 找基因的位置和结构

功能注释 —— 给基因贴功能标签

非编码元件注释 —— 找那些不编码蛋白但很关键的元件

1.2.1 基因预测

基因预测是注释的第一步，也是我最看重的环节。它的目标是找到基因组中所有蛋白编码基因的准确边界和结构。

常用的方法有三类：

从头预测（ab initio）：基于训练好的模型，根据序列特征直接预测。代表软件有Augustus、GlimmerHMM、SNAP。
同源预测（homology-based）：拿已知的蛋白或EST序列做比对，推断基因结构。常用Exonerate、Genewise、BLAST。
转录组辅助预测：用RNA-seq数据指导基因模型构建。StringTie、BRAKER都是这类工具。

你想想看，这三种方法各有长短。从头预测速度快，但容易漏掉特殊基因；同源预测准确度高，但依赖参考数据库；转录组方法能反映实际表达，但需要高质量测序数据。

我记得之前做过一个植物基因组的项目。Augustus跑出来的模型，跟RNA-seq数据对不上。后来发现问题出在训练集上——Augustus的物种参数没调整好，导致很多真实的剪接位点被忽略了。所以说，参数调优这件事，真的不能偷懒。

典型的基因预测流程，我习惯用一个简单的命令组合：

# 从头预测
augustus --species=arabidopsis scaffold.fa --predictionStart=AUGUSTUS_OUT.gff

# 同源比对
exonerate --model protein2genome query_protein.fa target_genome.fa > homology.gff3

# 最后用EVM或Mikado合并结果
evidencemodeler --gene_predictions augustus.gff \
                --protein_alignments exonerate.gff \
                --transcript_alignments stringtie.gtf \
                --output final_genes.gff3

1.2.2 功能注释

基因预测完了，我们拿到一大堆"未知功能"的基因模型。功能注释就是给这些基因贴标签——这个基因编码什么蛋白？参与什么通路？有什么结构域？

做法说起来不复杂：把预测的蛋白序列去跟各种数据库比对：

数据库	用途	常用工具
UniProt/Swiss-Prot	高质量人工注释蛋白	BLASTP / DIAMOND
Pfam	蛋白结构域	HMMER / pfam_scan
GO	基因功能分类	InterProScan
KEGG	代谢通路	KAAS / GhostKOALA
EggNOG	直系同源集群	eggNOG-mapper

嗯，这里要注意。功能注释的靠谱程度取决于数据库的质量和覆盖度。我之前遇到过一个极端情况——某个新分离的海洋微生物基因组，90%的基因在Swiss-Prot里找不到同源序列。这种情况下，只能依靠Pfam结构域和跨物种的EggNOG注释来给出一些模糊的功能推断。

一个典型的功能注释命令：

# 使用DIAMOND进行快速蛋白比对
diamond blastp -d /db/uniprot_ref.dmnd \
               -q predicted_proteins.faa \
               -o blast_results.tsv \
               -e 1e-5 --outfmt 6

# 使用InterProScan做结构域预测
interproscan.sh -i predicted_proteins.faa \
                -f GFF3 \
                -dp \
                -o interproscan_results.gff3

1.2.3 非编码元件注释

这部分经常被忽视，但我个人觉得它越来越重要。非编码元件包括：

rRNA、tRNA、snRNA、snoRNA：经典的管家非编码RNA
miRNA、lncRNA：调控性非编码RNA
重复序列：转座元件、卫星DNA
调控区域：启动子、增强子、CpG岛

我曾经参加一个比较基因组学项目，团队花了大半年做蛋白编码基因注释，结果写文章时才发现，那个物种的基因组里有高达70%的重复序列，大量转座元件插入到基因附近，影响了基因结构和表达。当时只能连夜补做RepeatMasker，重新修正基因模型。唉，这个坑踩得挺深的。

常用的非编码元件注释工具：

# 鉴定tRNA
tRNAscan-SE -G -o tRNA.out -f tRNA.ss genome.fa

# 鉴定rRNA
barrnap genome.fa > rRNA.gff3

# 预测重复序列
RepeatMasker -species arabidopsis -pa 8 -gff genome.fa

# 预测调控区域（以转录起始位点预测为例）
promoterP -seq genome.fa -formats GFF -out promoter.gff3

1.3 注释流程：一个完整的管线

注释流程不是一锤子买卖。我习惯把它分成几个阶段：

避坑指南：我曾经在流程设计上犯过一个错误——把基因预测和重复注释串行做，结果重复序列被错误地当成基因预测出来，导致功能注释大面积假阳性。后来改成重复序列先注释并屏蔽，再做基因预测，准确率明显提升。

一个比较成熟的基因组注释流程，大致长这样：

输入准备：组装好的基因组FASTA，质量评估
重复序列注释：先用RepeatMasker注释已知重复，再用RepeatModeler从头识别新重复
RNA-seq处理：比对到基因组，组装转录本
从头基因预测：训练模型，预测基因
同源证据收集：比对已知蛋白、EST
证据整合：用EVM或Mikado合并所有证据，生成一致性基因模型
功能注释：比对数据库，分配功能
质量评估：统计基因数量、BUSCO完整性评估
输出：GFF3、FASTA蛋白序列、功能注释表

你可能会问，这么多步骤，有没有一键搞定的工具？有的。比如BRAKER2、Funannotate这些管线，能自动化大部分流程。但我建议你，刚开始还是手动走一遍每个环节，理解每一步在做什么。

这是整个流程的可视化结构：

一个经验之谈：别急着一次性跑完整条管线。我习惯先拿一条染色体做测试，调好所有参数，再全基因组提交。这样能避免因为参数错误浪费几天的算力。

注释流程跑完后，我们会得到一系列文件：基因模型GFF3、蛋白序列FASTA、CDS序列FASTA、功能注释表格、非编码元件注释文件等。这些就是后续所有分析的起点。

说到评估指标，很多人以为注释跑完就结束了。实际上，评估才是注释质量的关键。怎么判断你注释得好不好？用BUSCO看基因完整性，用转录组数据检验剪接位点准确性，用已知的参考基因集算敏感性和特异性——这些指标，才是我们说"注释做得好"的依据。