基因组注释评估概述
基因组注释做完了，心里是不是有点没底？到底注释得怎么样，能不能拿出去发表，或者用来做下游分析？我刚开始做基因组项目的时候，对这个问题就很头疼。序列是拼出来了，基因也预测了，但质量好不好，完全没概念。嗯，这就是我们为什么要做注释评估。
说白了，基因组注释评估就是给基因组注释质量打个分，告诉你哪里做得好，哪里还有坑。我习惯把它比作体检——不是看基因组长什么样，而是看它健康不健康。
评估的真正目的
我个人认为，评估不是走过场，它的目的很明确：
- 量化注释完整性：搞清楚你的基因集里到底有多少是完整的基因，多少是碎片。
- 检验准确性：预测的基因结构跟真实情况差多远。有没有把非编码区当成外显子？
- 对比不同方法：不同软件跑出来的注释结果，哪个更靠谱？
- 指导后续分析：评估结果是进化分析、功能研究的基础。注释质量差，后面全白搭。
我记得有一次，项目组用同一套基因组跑了三种注释流程，出来的基因数量差了快一倍。大家争论不休，最后还是靠评估指标一锤定音。
常用评估指标
这里我列一下最常用的指标。别贪多，搞懂这几个基本就够用了。
| 指标 | 说明 | 考察点 |
|---|---|---|
| BUSCO | 评估基因集完整性的黄金标准 | 是否包含单拷贝直系同源基因 |
| 完整性（Complete） | 基因模型覆盖真实基因的比例 | 不包含碎片或缺失 |
| 基因结构准确性 | 外显子-内含子边界预测是否准确 | 与转录组数据或同源蛋白比对 |
| 功能注释准确性 | 功能分配是否合理 | 数据库匹配率、假阳性率 |
| 新基因预测率 | 注释中特有基因的比例 | 反映算法和参数的影响 |
我特别提醒一下：BUSCO要分段看。完整单拷贝（Complete single-copy）和完整重复（Complete duplicated）这两个比例很关键。重复率过高，说明注释可能把旁系同源或重复区域搞混了。
实践流程：从数据到报告
整个评估流程，按我的习惯分为四大步。每一步都有坑，我后面会细说。
- 注释生成：用 Augustus、BRAKER、Maker 等工具跑出原始基因集。
- 数据预处理：过滤低质量模型（长度＜50aa 的、有终止密码子内部的）。
- 逐项评估：跑 BUSCO、比对转录组、比对同源库。
- 生成报告：整合指标，形成可读的评估汇总。
我之前在一个植物基因组项目里跳过第二步，直接拿原始注释去跑 BUSCO，结果完整性看起来很高，但仔细一看，好多模型都是片段。从那以后，我每次都先做一步严格的过滤。
下面这张图展示了评估的核心逻辑。
小技巧：第一次跑评估，建议用默认参数跑一遍 BUSCO，先用完整度数据建立初步印象。之后再用特定参数（比如 -m proteins）验证。我一般会同时跑 lineage_dataset 的 eukaryota 和 viridiplantae，看看覆盖度。
避坑指南
这里我总结几个实战中容易踩的坑，你想想看是不是也有同感：
- 只关注 BUSCO 完整率：我的经验是，完整率高不代表注释准。碎片基因如果被合并成完整基因，BUSCO 也能给你满分。
- 忽略重复率：我曾经在一个项目里看到重复率飙到 30% 以上，结果发现是注释工具把一些转座子区域当成了基因在预测。
- 不做交叉验证：单靠一种方法评估，风险很大。我建议至少对比三个东西：BUSCO、转录组比对、同源库匹配。
- 评估标准一刀切：不同物种的注释难度不一样。比如植物基因组重复序列多，完整率自然会低一些。要参照同类型物种的公开数据来定标准。
我记得有一次，一个实习生拿着 95% 的 BUSCO 完整率来汇报，特别兴奋。我让他跟转录组数据一比对，发现预测的剪接位点一半都不对。嗯，这就是光看完整不看准确的结果。
警告：不要在大规模评估时随意修改 BUSCO 的参数。默认参数经过大量测试，调参需要明确理由。我曾经见过有人为了“优化”结果，把 -e 从 1e-3 改到 1e-10，结果完整率直接掉了 20%。
好了，这一章先把评估的全局地图给你画清楚。记住一句话：评估不是为了证明你做得多好，而是为了发现问题、解决问题。后面我们会一步步拆解每个指标的实战操作。