NCBI 资源体系：Gene、RefSeq、SRA 与 PubMed
NCBI（National Center for Biotechnology Information）不是单一数据库，而是多个子系统的综合门户。理解 Gene、RefSeq、SRA、PubMed 等核心资源的对象类型和查询策略，是生物信息学分析的基础能力。
- NCBI Gene：基因中心，整合多源注释信息，使用 Entrez Gene ID
- RefSeq：参考序列数据库，提供 NM_/NR_/NP_ 等标准化 accession
- SRA：Sequence Read Archive，存储原始测序 reads
- PubMed：生物医学文献数据库，通过 PMID 标识
- 各子系统之间通过交叉引用（cross-reference）互相连接
NCBI（National Center for Biotechnology Information） 是美国国家生物技术信息中心，提供全球最大的生物信息学资源集合。
关键认知：NCBI 不是单一数据库，而是多个子系统的综合门户。每次访问 NCBI 时，你实际在使用某个特定子系统（如 Gene、SRA、PubMed），而不是"NCBI 数据库"本身。
核心资源概览
Section titled “核心资源概览”| 资源 | 对象类型 | 标识符 | 典型用途 | |------|---------|--------|---------| | NCBI Gene | 基因注释记录 | Entrez Gene ID（整数） | 查询基因功能、位置、相关文献 | | RefSeq | 参考序列（DNA/RNA/蛋白） | Accession（如 NM_000546） | 获取标准化参考转录本和蛋白序列 | | SRA | 原始测序数据 | SRA Run ID（如 SRR123456） | 下载公开测序数据进行复用分析 | | PubMed | 生物医学文献 | PMID（如 30234567） | 检索相关研究和实验方法 | | dbSNP | 单核苷酸多态性 | rsID（如 rs12345） | 查询已知变异位点 | | dbGaP | 基因型-表型关联 | phs/study ID | 访问受控的个体水平数据 |
NCBI 资源是生物信息学分析的基础数据源：
- 参考序列：RefSeq 提供参考转录本和蛋白序列
- 公开数据复用：SRA 存储超过 2000 万个测序实验
- 功能注释：NCBI Gene 整合来自 Ensembl、UniProt、OMIM 等多源注释
- 文献支持：PubMed 连接研究背景与实验验证
关键认知：NCBI 各子系统之间是互相连接的网络，而不是孤立的数据库。从一个 Gene 页面可以跳转到 RefSeq 序列、SRA 数据集、PubMed 文献，建立完整的证据链。
NCBI Gene：基因注释中心
Section titled “NCBI Gene：基因注释中心”NCBI Gene 整合来自多个来源的基因注释信息：
- 基本属性：基因符号（Symbol）、全名、基因 ID（Entrez Gene ID）
- 基因组位置：染色体、起止坐标、链方向
- 功能注释：Gene Ontology（GO）、通路信息
- 相关资源：RefSeq 转录本、PubMed 文献、dbSNP 变异
- 表型关联：OMIM（孟德尔遗传病）、ClinVar（临床意义）
| 方法 | 适用场景 | |------|---------| | 基因符号搜索 | 已知基因名称（如 TP53） | | Entrez Gene ID | 稳定标识符，不随基因符号变化 | | 基因组坐标 | 基于位置的查询（需指定参考版本） | | 批量查询 | 通过 Gene ID 列表获取功能注释 |
Entrez Gene ID vs Gene Symbol
Section titled “Entrez Gene ID vs Gene Symbol”| 特性 | Entrez Gene ID | Gene Symbol | |------|---------------|-------------| | 稳定性 | 稳定，不变化 | 可能随注释更新而变化 | | 唯一性 | 唯一对应一个基因 | 可能存在歧义（不同物种同名基因） | | 推荐使用 | 程序化分析和跨数据库映射 | 人工阅读和文献交流 |
建议：在分析流程中使用 Entrez Gene ID，在报告和展示中使用 Gene Symbol。
RefSeq：参考序列数据库
Section titled “RefSeq：参考序列数据库”RefSeq 是什么
Section titled “RefSeq 是什么”RefSeq（Reference Sequence Database） 提供非冗余、经过人工审编的参考序列集合，包括 DNA、RNA 和蛋白质序列。
Accession 命名体系
Section titled “Accession 命名体系”RefSeq 使用前缀区分序列类型：
| 前缀 | 类型 | 示例 | |------|------|------| | NM_ | 编码转录本（mRNA），人工审编 | NM_000546（TP53 mRNA） | | NR_ | 非编码转录本，人工审编 | NR_027676 | | NP_ | 蛋白质产物，人工审编 | NP_000537 | | XM_ | 编码转录本，自动预测 | XM_024450000 | | XR_ | 非编码转录本，自动预测 | XR_002950000 | | XP_ | 蛋白质产物，自动预测 | XP_024300000 | | NC_ | 完整染色体或参考基因组 | NC_000001（chr1） |
NM_/NP_ 与 XM_/XP_ 的区别：前者经过人工审编（Reviewed），置信度高；后者是自动预测（Predicted），需要实验验证。
RefSeq vs GenBank
Section titled “RefSeq vs GenBank”| 维度 | RefSeq | GenBank |
|---|---|---|
| **冗余度** | 非冗余，每个分子一个代表序列 | 冗余，同一序列可能多次提交 |
| **质量** | 人工审编 + 自动预测 | 原始提交，未经统一审核 |
| **用途** | 参考序列、标准比对模板 | 归档所有公开序列 |
| **更新** | 定期审编更新 | 实时接收新提交 |
SRA：Sequence Read Archive
Section titled “SRA：Sequence Read Archive”SRA 是什么
Section titled “SRA 是什么”SRA 是全球最大的原始测序数据存档，存储来自高通量测序仪的 reads 和元数据。
SRA 中的数据按以下层级组织：
| 层级 | 标识符 | 说明 | |------|--------|------| | Study | SRP/ERP/DRP | 研究项目（如"肺癌全外显子测序"） | | Sample | SRS/ERS/DRS | 生物样本（如"患者 A 的肿瘤组织"） | | Experiment | SRX/ERX/DRX | 测序实验设计（如"Illumina NovaSeq 2x150"） | | Run | SRR/ERR/DRR | 实际测序运行（下载单元） |
数据获取方式
Section titled “数据获取方式”| 工具 | 用途 |
|------|------|
| SRA Toolkit | 下载 SRA 文件并转换为 FASTQ（fastq-dump） |
| prefetch | 预先下载 SRA 文件到本地缓存 |
| fasterq-dump | 更快的 FASTQ 转换工具 |
| ENA | 欧洲节点，提供直接 FASTQ 下载 |
# 下载并转换prefetch SRR123456fasterq-dump SRR123456PubMed：生物医学文献数据库
Section titled “PubMed：生物医学文献数据库”PubMed 存储超过 3500 万篇生物医学文献，通过 PMID（PubMed ID）唯一标识。
与生物信息学的连接
Section titled “与生物信息学的连接”- 方法学参考：查找特定分析流程的原始论文
- 实验验证：确认计算预测的实验支持
- 临床关联：查找基因-疾病关系的文献证据
- 数据库交叉引用：NCBI Gene、dbSNP 等页面直接链接相关 PubMed 文献
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”- NCBI 是综合门户，包含 Gene、RefSeq、SRA、PubMed 等多个子系统
- NCBI Gene 提供基因注释中心，Entrez Gene ID 是稳定标识符
- RefSeq 提供非冗余参考序列，Accession 前缀区分序列类型
- SRA 存储原始测序数据，需使用 Toolkit 转换为 FASTQ
- 各子系统通过交叉引用互相连接，建立完整证据链