基因组注释管线：从序列到功能注释的自动化流程
基因组注释（Genome Annotation）是将原始 DNA 序列转化为功能信息的过程：识别基因位置、外显子-内含子结构、转录本、蛋白质产物、调控元件和非编码 RNA。理解注释管线的步骤、证据来源和质量评估，是正确解读注释结果的前提。
- 注释管线分为两步：结构注释（基因在哪里）+ 功能注释（基因做什么）
- 证据来源：RNA-seq、cDNA、蛋白质同源性、从头预测
- 主要注释系统：Ensembl（自动化）、GENCODE（人工 + 自动）、NCBI RefSeq
- 质量评估：完整性（BUSCO）、一致性（与已知注释比较）
- 注释版本随时间更新，不同版本可能有显著差异
基因组注释是将原始 DNA 序列转化为生物学功能信息的系统化过程。它回答两个核心问题：
- 结构注释（Structural Annotation）：基因在哪里？外显子/内含子边界是什么？
- 功能注释（Functional Annotation）：基因做什么？编码什么蛋白质？参与什么通路？
DNA 序列 ↓ 结构注释基因位置 → 外显子/内含子 → 转录本 → 蛋白质 ↓ 功能注释功能域 → GO 注释 → 通路 → 调控关系基因组注释是所有下游分析的基础：
- RNA-seq 定量：依赖 GTF 文件识别基因和转录本
- 变异解释：需要注释判断变异是否落在 coding/exonic/splice 区域
- 功能富集：依赖 GO、通路注释解释基因集
- 比较基因组学：需要注释进行跨物种基因映射
关键认知：注释不是"绝对真理"，而是基于计算预测和证据的推断。不同注释系统可能给出不同的基因模型。
注释管线的核心步骤
Section titled “注释管线的核心步骤”重复序列屏蔽
基因预测
转录本构建
功能注释
质量评估
三类主要证据
Section titled “三类主要证据”| 证据类型 | 来源 | 优势 | 局限 | |---------|------|------|------| | RNA-seq | 转录组测序 | 实验证据，覆盖所有表达基因 | 依赖表达水平，低表达基因可能遗漏 | | cDNA/EST | 全长 cDNA 序列 | 完整转录本结构 | 覆盖不全，质量参差不齐 | | 蛋白质同源性 | 已知蛋白质序列 | 跨物种保守基因识别 | 物种特异基因可能遗漏 |
从头预测（Ab Initio）
Section titled “从头预测（Ab Initio）”不依赖实验证据，仅使用序列特征进行基因预测：
| 特征 | 说明 | |------|------| | 开放阅读框（ORF） | 起始密码子到终止密码子 | | 剪接位点信号 | GT-AG 规则（供体-受体位点） | | 密码子偏好性 | 编码区 vs 非编码区的密码子使用差异 | | 启动子特征 | TATA box、CpG 岛 |
常用工具：AUGUSTUS、GENSCAN、GlimmerHMM
主要注释系统
Section titled “主要注释系统”三大注释体系
Section titled “三大注释体系”| 系统 | 方法 | 更新频率 | 质量 | |------|------|---------|------| | Ensembl | 自动化管线 | 每年 2-4 次 | 高，自动化 + 质量控制 | | GENCODE | Ensembl + 人工审编 | 每年 2-4 次 | 最高，人工确认关键基因 | | NCBI RefSeq | 自动化 + 人工 | 持续更新 | 高，部分人工审编 |
GENCODE 注释层级
Section titled “GENCODE 注释层级”GENCODE 是 ENCODE 项目的官方注释，提供最高质量的人类基因组注释：
| 标签 | 含义 | 置信度 | |------|------|--------| | KNOWN | 已知基因，实验验证 | 最高 | | NOVEL | 新预测基因 | 中等 | | PUTATIVE | 预测但未经实验验证 | 较低 |
注释版本管理
Section titled “注释版本管理”GENCODE v42 (GRCh38) ↑ ↑ 版本号 参考版本| 变化类型 | 说明 | 影响 | |---------|------|------| | 新增基因 | 新识别的基因 | 计数变化 | | 删除基因 | 证据不足的基因被移除 | 旧注释中的基因可能不存在 | | 转录本更新 | 修正外显子边界 | 坐标变化 | | 功能注释更新 | GO 术语、通路更新 | 功能解释变化 |
关键注意：不同版本的注释可能给出不同的基因数量和结构。分析中应记录使用的注释版本。
BUSCO 评估
Section titled “BUSCO 评估”BUSCO（Benchmarking Universal Single-Copy Orthologs） 评估注释完整性：
busco -i annotation.fa -l vertebrata_odb10 -m geno| 指标 | 含义 | 优质阈值 | |------|------|---------| | Complete | 找到完整单拷贝同源基因 | > 90% | | Fragmented | 只找到部分 | < 5% | | Missing | 未找到 | < 5% |
其他评估方法
Section titled “其他评估方法”| 方法 | 评估内容 | |------|---------| | 与已知注释比较 | 基因数量、外显子数量分布 | | RNA-seq 覆盖度 | 注释基因是否被 RNA-seq 支持 | | 蛋白质同源性 | 注释蛋白是否有同源匹配 |
与真实工具或流程的连接
Section titled “与真实工具或流程的连接”常见概念误区
Section titled “常见概念误区”- 基因组注释将原始 DNA 序列转化为功能信息：结构注释 + 功能注释
- 证据来源：RNA-seq、cDNA、蛋白质同源性、从头预测
- 三大注释系统：Ensembl（自动）、GENCODE（人工 + 自动）、NCBI RefSeq
- 质量评估使用 BUSCO 等工具检测完整性
- 注释版本随时间更新，分析中应记录使用的版本