1. 基因组注释：从一串ATCG到有意义的生命说明书

各位同学，欢迎来到《从BLAST到模型》。第一课，咱们得先搞清楚一个最基本的问题：到底什么是基因组注释？

说白了，基因组注释，就是给那一长串冰冷的ATCG碱基序列，贴上“功能标签”。你想想看，如果给你一本全是乱码的天书，你得把它翻译成你能看懂的语言，标出哪里是段落、哪里是关键词、每个词是什么意思。这就是注释干的事。

核心定义： 基因组注释是识别基因组序列中的生物学功能元件，并把这些元件的结构、位置、功能和调控信息系统地标注出来的过程。

我个人习惯把注释分成三个层次，这样项目做起来思路特别清晰。

层次	要解决的问题	核心内容
核苷酸层次	基因在哪？	重复序列、非编码RNA、启动子、CpG岛等
蛋白质层次	基因长什么样？	基因结构（外显子/内含子边界、UTR区）、开放阅读框、可变剪接
功能层次	这基因干嘛用的？	推断蛋白质功能、参与的代谢通路、互作网络、GO注释

我刚开始做的时候，总以为只要找到基因就行了。结果有一次，我把一个假基因注释成了功能基因，后续实验全白做了。嗯，这里要注意，核苷酸层次是地基，地基打不牢，后面全是空中楼阁。

注释不是一个软件跑到底的活儿，它是一个流水线。我用一张SVG图帮你串起来，这也是我们这整门课的核心逻辑。

流程其实不复杂，但每一步都有坑。我用自己的经历给你拆解一下：

原始序列输入：一般是组装好的基因组FASTA文件。质量很重要，我见过有人在N50极低的组装上直接跑注释，结果全是碎片化的假基因。
重复序列屏蔽：这一步很多人会忘。用RepeatMasker这类工具先标记重复区，不然下游的基因预测会把转座子误认为基因。我曾经因为偷懒跳过这一步，结果注释文件里多出了几千个“假基因”，全是要命的转座子。
从头预测：基于序列的统计模型（如HMM）来预测基因结构。适用于新物种，但精度一般。
同源比对：用BLAST、Exonerate等工具，把序列比对到已知的蛋白或转录本库。精度高，但依赖数据库质量。
证据整合与过滤：把从头预测和同源预测的结果合并。这是最体现经验的地方，你需要设置合理的权重，处理冲突。
功能注释：给预测出来的基因赋予生物学功能，比如GO term、KEGG通路。
输出标准格式：最终输出GFF3或GTF格式，方便下游分析。这个格式必须严格遵守规范，比如第9列属性怎么写的，一个空格差都会导致工具报错。

做注释，你手里得有“字典”。我把常用的几类数据库整理了一下，你可以把它们当成你的弹药库。

数据库	类型	主要用途	我的备注
NCBI RefSeq	综合参考序列库	非冗余、有质量控制的基因组和蛋白序列	最稳妥的选择，但更新慢一点
UniProt (Swiss-Prot/TrEMBL)	蛋白质序列与功能库	功能注释的黄金标准	Swiss-Prot是人工审核的，质量极高。查功能先看它
NCBI nr	非冗余蛋白序列库	BLASTP最常用的全库比对	数据量大，但冗余度高，结果需要过滤
KEGG	代谢通路库	基因参与的生化通路	做代谢相关的项目必备
InterPro	蛋白质结构域库	预测蛋白质结构域和功能位点	整合了Pfam、PRINTS等多个子库，一步到位
Rfam	非编码RNA库	识别tRNA、rRNA、miRNA等	非编码RNA注释全靠它

避坑指南： 我曾经用了一个过时的本地BLAST库，结果把某个细菌的耐药基因注释成了普通的转运蛋白。差点害得合作方实验延期。记住：注释前，一定要去官网检查数据库版本！

注释完了，怎么判断好不好？光看数字是不行的。你得从几个维度去卡：

非常重要： 不要迷信自动注释软件出的结果！自动流程（如有些在线平台）确实方便，但经常会漏掉小基因或可变剪接。我个人习惯，对关键基因（比如耐药基因、毒力因子）一定要做手动检查和BLAST验证。这不是保守，这是对自己工作负责。

好，第一课咱们把基因组注释是什么、有几个层次、怎么个流程、用什么数据库、以及怎么判断好坏，都梳理了一遍。这些东西很基础，但正是我后来能高效处理复杂基因组注释项目的基础。你把这个框架搭起来，后续讲BLAST、讲隐马尔可夫模型、讲深度学习预测，你就知道每一步是在解决哪一层的问题。