3. 启动子元件数据库与序列资源

启动子设计的起点不是凭空合成一段序列，而是从已有生物学知识中提取可复用的调控元件。数据库正是这些知识的载体：它们把分散在文献、测序项目和实验报告中的启动子序列、转录起始位点、转录因子结合位点、染色质状态等信息，整理成可检索、可下载、可比较的结构化资源。理解这些资源的组织方式，比记住某个网址更重要，因为设计任务往往需要跨库交叉验证。

常用数据库的类型与定位

启动子相关数据库大致可分为四类。第一类是基因与基因组注释库，如 NCBI Gene、Ensembl 和 UCSC Genome Browser，它们提供基因坐标、转录本结构、TSS 位置和上游序列提取功能，是获取启动子区序列的基础入口。第二类是启动子专一库，如 Eukaryotic Promoter Database（EPD）和 PlantProm，前者以实验验证的 TSS 为核心，后者聚焦植物启动子，适合需要高置信度起始位点的场景。第三类是调控元件与转录因子库，如 JASPAR、HOCOMOCO、TRANSFAC 和 PlantTFDB，它们以位置权重矩阵（PWM）或 motif 形式描述转录因子偏好序列，是设计合成启动子时引入或避免特定 TF 结合位点的关键依据。第四类是表观遗传与染色质状态库，如 ENCODE、Roadmap Epigenomics 和 ChIP-Atlas，它们提供 DNase 超敏位点、组蛋白修饰和 TF ChIP-seq 峰，用于判断某段序列在特定细胞类型中是否真正具有调控活性。

这些库并非互相替代。一个典型工作流是：从 Ensembl 获取基因 TSS 坐标，用 UCSC 提取上游 2 kb 序列，在 JASPAR 中扫描 motif，再用 ENCODE 的 DNase 数据判断该区域是否开放。只有交叉验证，才能降低“序列像启动子但实际不工作”的风险。

注释信息的读取与含义

下载一条启动子序列只是第一步，真正决定设计质量的是注释信息。以 EPD 为例，每条记录通常包含：启动子 ID、物种、基因名、TSS 坐标、序列区间、证据类型（实验验证或预测）、关联的转录本以及参考文献。其中证据类型最容易被忽略，却直接影响可信度。实验验证的 TSS 来自 CAGE、TSS-seq 或 5′ RACE，位置精确到单碱基；预测 TSS 则基于序列特征或同源比对，可能存在数十甚至上百碱基的偏移。若设计引物或构建报告基因，偏移几十碱基就可能改变核心启动子元件的完整性。

JASPAR 的注释则以矩阵为核心。每个 motif 有唯一的 Matrix ID（如 MA0004.1），附带 TF 名称、家族、物种、结合位点长度和 PWM 矩阵。PWM 的每一行对应 A/C/G/T 四种碱基在各位点的权重，扫描时用对数似然比计算得分。需要特别注意的是，JASPAR 中同一 TF 可能有多个矩阵，来自不同实验条件或不同物种，其阈值和特异性差异明显。直接使用默认阈值往往产生大量假阳性，建议根据目标细胞类型选择对应矩阵，并用 q 值而非 p 值控制多重检验。

数据获取的实际操作

以人类基因 TP53 为例，演示一次完整的启动子序列获取过程。首先在 Ensembl 中检索 TP53，确认其主转录本为 ENST00000269305，TSS 位于 7 号染色体 7,668,402 附近（GRCh38）。随后在 UCSC Table Browser 中选择 GRCh38 组装，输入坐标 chr7:7,666,402-7,668,402，即 TSS 上游 2 kb 至 TSS 本身，导出 FASTA 序列。若需要更保守的核心启动子区，可截取 TSS 上游 500 bp 至下游 100 bp，覆盖 TATA 框、GC 盒和起始子元件。

# 使用 UCSC DAS 或 REST API 获取序列示例（示意）
# 请求：chr7:7,666,402-7,668,402，GRCh38
curl "https://api.genome.ucsc.edu/getData/sequence?genome=hg38;chrom=chr7;start=7666402;end=7668402" \
  -o TP53_promoter_2kb.fa

# 用 JASPAR PWM 扫描（示意，实际使用 FIMO 或 PWMScan）
fimo --thresh 1e-4 --oc scan_out JASPAR2024_MA0004.1.meme TP53_promoter_2kb.fa

扫描结果会给出每个 motif 的匹配位置、得分和 p 值。假设 MA0004.1（RUNX1）在 TSS 上游 320 bp 处出现一个高得分匹配，p = 3.2×10⁻⁵，则可将该位点标注为候选调控元件。但此时还不能断定其功能，需要回到 ENCODE 查看该区域在目标细胞系中是否有 DNase 峰或对应 TF 的 ChIP-seq 峰。若两者均支持，则该位点的可信度显著提升。

质量控制的关键检查点

数据获取过程中最常见的错误来自版本和坐标系统不一致。UCSC 的 hg19 与 hg38 在同一基因的坐标可能相差数百万碱基，若混用会导致提取到完全错误的区域。因此每次操作前必须确认：基因组组装版本、坐标是否从 0 开始计数、区间是半开还是闭区间。第二个检查点是转录本选择。一个基因往往有多个转录本，不同转录本的 TSS 不同，对应的启动子区也不同。若研究目标是主转录本，应优先选择表达量最高或注释最完整的转录本，并在记录中明确写出所用转录本 ID。

第三个检查点是 motif 扫描的统计阈值。PWM 扫描本质上是在大量位点上做多次假设检验，p 值未经校正时假阳性率很高。建议同时报告 q 值，并结合 motif 的保守性和所在区域的染色质开放性综合判断。第四个检查点是细胞类型匹配。ENCODE 和 Roadmap 的数据来自特定细胞系或组织，若目标细胞类型与数据库中的样本差异很大，表观数据的参考价值会明显下降，此时应优先依赖序列层面的 motif 分析和实验验证。

从数据库到设计决策

数据库的价值最终体现在设计决策上。若目标是构建一个组成型高表达启动子，可从 EPD 中筛选高表达基因的 TSS 上游区域，结合 JASPAR 中组成型 TF（如 SP1、NF-Y）的 motif 密度，再参考 ENCODE 中该区域在多种细胞系中的开放程度。若目标是构建组织特异性启动子，则应优先选择目标组织中特异表达的基因，并利用表观数据确认其启动子区在非目标组织中处于关闭状态。若目标是构建诱导型启动子，则需要关注响应特定刺激的 TF motif，如缺氧响应元件（HRE）或热激元件（HSE），并检查这些 motif 的拷贝数和间距。

无论哪种目标，都应遵循“序列—注释—表观—实验”的逐层过滤逻辑。数据库提供的是假设和候选，而不是结论。只有经过质量控制、交叉验证和实验确认的元件，才能真正进入启动子设计工程的下游流程。