4. 靶序列获取与预处理

引物设计的起点不是引物本身，而是一条“干净、准确、坐标明确”的靶序列。如果模板序列里混入了重复片段、未标注的SNP、错误的剪接版本或不可见的格式字符，后续的Tm计算、特异性比对和扩增片段长度判断都会建立在错误前提上。本节围绕“获取—筛选—清理—校验”四个环节，说明如何把公共数据库中的原始记录转化为可直接用于引物设计的模板序列。

一、明确设计目标，再决定取哪条序列

在打开NCBI或Ensembl之前，先要回答三个问题：扩增对象是DNA还是RNA（决定是否保留内含子）、目标区域是基因的哪一段（外显子、启动子、3′UTR还是跨外显子边界）、以及模板来源是基因组DNA还是cDNA。这三个答案直接决定检索策略。例如做qPCR表达量检测时，若引物跨两个外显子，则基因组DNA污染会产生大片段或无法扩增，而cDNA可正常扩增，这本身就是一种区分污染的手段；反之若两个外显子之间没有内含子，跨外显子设计就失去意义。

检索时优先使用基因的稳定标识符而非基因名。基因名存在别名、物种同名和版本差异，而NCBI Gene ID、Ensembl Gene ID、RefSeq登录号（如NM_、NR_、XM_）是唯一且可追溯的。以人类TP53为例，在NCBI Nucleotide中检索“NM_000546”，可直接定位到RefSeq curated的mRNA记录，其注释质量高于普通GenBank提交。

二、数据库选择与记录筛选

NCBI与Ensembl各有侧重。NCBI的RefSeq提供经过注释和校验的参考序列，适合作为首选；GenBank则包含大量原始提交，可能带有未验证的注释。Ensembl的优势在于基因组坐标、转录本结构和变异注释高度整合，适合需要精确外显子边界或跨剪接设计的场景。UCSC Genome Browser则常用于快速查看序列上下文和重复元件位置。

拿到检索结果后，不要直接下载第一条。应检查：序列类型（mRNA、基因组、转录本）、长度是否与预期一致、注释是否完整、是否标注了“predicted”或“model”。对于同一基因存在多个转录本的情况，需根据实验目的选择。若目标是检测所有异构体，应选择共有外显子区域；若只检测某一特定异构体，则必须选择该转录本独有的外显子或剪接 junction。

三、重复序列的处理

重复序列是引物特异性最大的敌人之一。人类基因组中约50%为重复元件，其中Alu元件长度约300 bp、拷贝数超过百万，LINE-1可达6 kb。若引物落在Alu内部，可能在基因组其他位置找到大量相似结合位点，导致非特异扩增或引物二聚体。处理方式有两种：一是用RepeatMasker或在线工具（如UCSC的RepeatMasker轨道）标注重复区域，设计时主动避开；二是若目标区域确实位于重复序列内（如某些基因的启动子含SINE），则必须对候选引物做全基因组BLAST验证，确认唯一性。

实际操作中，可在UCSC Genome Browser中加载“RepeatMasker”轨道，观察目标区域是否被标注为SINE、LINE、LTR或Simple Repeat。若重复元件覆盖了目标扩增片段的大部分，应考虑更换靶区域，而不是强行设计。

四、SNP位点的识别与规避

SNP对引物的影响取决于其位置。若SNP位于引物3′端最后1～3个碱基，会显著降低该等位基因的扩增效率，造成等位基因脱扣；若位于引物中段，影响相对较小，但仍可能降低Tm。对于诊断类实验，必须确保引物不覆盖已知高频SNP（MAF > 1%）。

获取SNP信息的途径包括：NCBI dbSNP、Ensembl Variation、以及1000 Genomes项目。以Ensembl为例，在转录本页面点击“Variation”标签，可看到该区域所有已注释的变异及其频率。若某SNP的MAF为0.15，意味着约15%的等位基因在该位点与参考序列不同，引物若覆盖该位点，这部分模板的扩增效率会下降。规避策略是：将引物整体移位，使3′端远离该SNP至少5个碱基；或选择保守区域设计。

五、可变剪接与转录本选择

一个基因往往有多个转录本。以人类BRCA1为例，RefSeq中注释了数十个剪接变体。若引物设计在某个转录本独有的外显子上，则只能检测该异构体；若设计在共有外显子上，则可检测所有包含该外显子的转录本。对于表达量检测，通常选择共有外显子以反映总表达；对于异构体特异性检测，则必须定位到unique exon或exon-exon junction。

跨剪接junction设计时，引物应跨越两个外显子的连接处，且3′端落在下游外显子上。这样在cDNA中可扩增，而在基因组DNA中因内含子插入导致扩增片段过长或无法扩增。需要注意：junction序列在基因组中并不连续，因此BLAST时需用cDNA序列而非基因组序列。

六、序列格式转换与质量检查

下载的序列常见格式有FASTA、GenBank（.gb）、EMBL和GFF/GTF。FASTA仅含序列和简单标题，适合直接用于引物设计软件；GenBank包含注释信息，适合需要坐标和特征时使用。格式转换可用SeqKit、EMBOSS的seqret或Biopython完成。例如用SeqKit将GenBank转为FASTA：

seqkit seq -w 60 input.gb -o output.fasta
# -w 60 表示每行60个碱基，便于查看和比对

质量检查至少包括四项：第一，序列是否只含A/T/G/C/N，有无非法字符或数字；第二，长度是否与预期一致，有无截断；第三，N碱基比例是否过高（通常应低于5%），若目标区域含连续N，需更换区域；第四，大小写是否统一，建议统一转为大写，避免软件将小写误判为重复序列。此外，还需确认序列方向：NCBI下载的mRNA通常为5′→3′，但基因组片段可能为负链，设计前需明确模板链方向，并在引物序列中保持一致。

完成上述预处理后，得到的应是一条带有明确坐标、变异标记和重复注释的模板序列。它可能不是数据库中最长或最完整的那条，但一定是最适合当前实验目标的那条。后续的引物设计、Tm计算和特异性评估，都将以这条序列为基准展开。