参考基因组、坐标系统与注释

快速概览

这页想回答的是：为什么同一份测序数据，只有先放进某个参考背景、再配上正确的注释对象，后面的比对、定量、变异解释和数据库映射才真正有意义。

• 参考基因组提供的是共同坐标框架，不等于"真实基因组的完整代表"。
• 坐标系统和注释对象决定了你看到的位置、feature 和结果解释是否处在同一个语义层。

是什么

参考基因组是很多生物信息学流程默认的"共同坐标系"。

当我们说一个 read 被比到哪里、一个变异发生在哪个位置、一个 exon 覆盖了哪个区间时，本质上都在使用这套参考背景。

但只有参考序列还不够。真正让这些坐标变得可解释的，还包括：

• 坐标系统：定义区间从哪里开始、到哪里结束；
• 注释文件：把坐标区间进一步标记为 gene、transcript、exon、CDS 等对象；
• 命名与版本背景：决定不同文件、数据库和流程是否能放到同一坐标系里理解。

因此，这页关注的不是单个文件格式，而是三者合起来如何构成分析的解释框架。

为什么重要

很多实际问题并不是算法不会，而是参考系统没对齐：

• 参考基因组版本和注释版本不匹配；
• 0-based / 1-based 坐标系统混淆；
• 某个结果使用了 chr1，另一个文件使用了 1；
• 同一基因在不同数据库对象里的标识无法正确对应；
• 把定位结果、feature 定义和下游数据库解释放在了不同背景上。

只要这层基础没有先理清，后面的比对、定量、variant calling 和功能解释都可能建立在错误坐标系上。

前置知识

• 先理解 reads、coverage 和比对结果，因为它们最终都要被放回参考坐标系中解释。
• 知道 gene、transcript、exon、CDS 是不同层次的注释对象。
• 如果你已经在处理多个版本或历史数据，建议同步阅读参考版本、构建号与坐标转换。

核心概念

参考坐标上的 gene、transcript、exon、intron 和 UTR 结构，是 RNA-seq 定量、变异注释和功能解释的共同对象层。

参考基因组

它是一个被选定的序列框架，方便我们把 reads、变异、注释和功能信息放到统一背景下理解。

它解决的问题是：

• 序列应该对齐到哪里；
• 结果应该在什么坐标系里表达；
• 不同样本之间如何共享同一套位置描述。

但它并不等于某个个体或群体的"完整真实基因组"。它更像分析时共同使用的一张底图。

坐标系统

坐标系统决定"某个区间到底从哪里开始、到哪里结束"。在参考基因组与注释的语境下，除了 0-based / 1-based 和区间开闭的差异外，还需要注意染色体命名（chr1 vs 1）以及不同文件类型对同一区间的解释方式。这些差异看起来很小，但对位点级分析来说，一个位置的偏移就足以改变全部解释。坐标系统的详细说明与 worked example 见序列、字符串与坐标系统。

注释

注释告诉我们：在参考坐标上的不同区域分别对应什么生物学对象。

它把"位置"进一步变成：

• 哪些区域对应 gene；
• 哪些属于 transcript；
• 哪些是 exon、intron、CDS；
• 某个变异或覆盖区域可能影响哪些对象。

没有注释，很多比对、定量和变异结果只能停留在"坐标层"，很难进入真正的生物学解释层。

一个 GTF 行长什么样

以 GENCODE 注释中 BRCA1 基因为例：

chr17  GENCODE  exon  43044295  43044695  .  -  .  gene_id "ENSG00000012048"; transcript_id "ENST00000357654"; exon_number "1"; gene_name "BRCA1";

逐字段解读：

• chr17：染色体
• GENCODE：注释来源
• exon：特征类型
• 43044295–43044695：坐标区间（1-based，闭区间）
• -：负链
• gene_id / transcript_id / exon_number：属性键值对

坐标转换示例：如果 BED 文件使用 0-based 半开区间，同一段 exon 写作 chr17 43044294 43044695（start 减 1，end 不变）。

三者是如何一起工作的

维度	它解决什么问题	典型表现
参考基因组	给所有 reads、变异和 feature 提供统一坐标框架	FASTA、assembly 版本、参考序列长度和 contig 集合
坐标系统	规定区间如何表示、命名和比较	0-based / 1-based、chr1 vs 1、区间边界约定
注释文件	把坐标区间映射到 gene / transcript / exon 等对象	GTF/GFF、annotation release、feature 属性字段

三者缺一不可：

• 没有参考基因组，你没有统一坐标框架；
• 没有坐标系统约定，你无法稳定比较不同文件里的区间；
• 没有注释，你只能看到位置，无法知道这些位置对应什么对象。

在流程中它们通常如何出现

1

基础层

准备参考背景

先确定使用哪套参考基因组和对应版本。

这是后续 BAM、VCF、feature counting 和数据库对照的共同背景。

2

对象层

加载注释对象

再配上与参考版本匹配的 GTF/GFF 或其他注释资源。

参考版本对了，不代表注释版本就自动匹配。

3

证据层

生成定位结果

reads 被放到参考坐标系里，得到 BAM/CRAM 等结果。

这时你有了"放在哪里"的证据，但还没有完整解释。

4

解释层

接入任务语义

根据注释对象和数据库背景，把定位结果转成表达、变异或功能层解释。

真正的解释来自参考、坐标和注释三者一起工作。

实践中先检查什么

如果你拿到一套 BAM、VCF、GTF 或数据库结果，通常先检查下面几件事：

1. 参考版本是否一致
   • FASTA、BAM header、VCF header、注释文件和数据库说明是否指向同一 assembly。
2. 染色体命名是否兼容
   • 是 chr1 还是 1，是否存在不同 contig 集合。
3. 坐标约定是否一致
   • 特别是区间类文件和工具之间的 0-based / 1-based 差异。
4. 注释对象是否匹配当前问题
   • 你是要看 gene、transcript、exon 还是 CDS？
5. 数据库对象是否接得上
   • 结果里的坐标或 ID 能否正确映射到当前注释与数据库版本。

这些检查通常比"先跑下游命令"更重要，因为它们决定了后面的结果到底能不能解释。

示例

假设你在 RNA-seq 中拿到下面这些文件：

• 参考序列 genome.fa
• 注释文件 genes.gtf
• 比对结果 sample.bam
• 下游表达定量结果 counts.tsv

如果你发现：

• sample.bam 使用的是某套参考版本；
• genes.gtf 来自另一版本的注释；
• 某些染色体命名写法也不一致；

那么即使比对程序和计数程序都能运行，结果也可能出现：

• feature 对不上；
• 某些 reads 无法被正确归到目标 gene / transcript；
• counts 的解释和数据库查询结果彼此不一致。

这说明参考、坐标系统和注释并不是"前期准备工作"，而是整个分析解释链条的核心约束。

与真实工具或流程的连接

与真实工具或流程的连接

• 比对工具默认把 reads 放进某个参考坐标系，但不会替你保证后续注释文件一定匹配。
• feature counting、RNA-seq 定量和 variant annotation 等步骤，都建立在正确注释对象和坐标背景之上。
• 很多数据库映射或结果解释失败，根源并不在数据库本身，而在参考、坐标和注释三者没有先对齐。

常见误区

常见误区

• 把参考基因组当成"真实基因组"的完整代表，而忽略它只是分析框架。
• 只要参考版本对了，注释文件就可以随便选。
• 0-based / 1-based 只是小问题，不会真正影响解释。
• chr 前缀差异只是命名风格，不会影响文件兼容性。
• 只要 BAM 或 VCF 已经生成，后面解释就不再依赖参考与注释背景。

相关页面

版本迁移

参考版本、构建号与坐标转换

如果你已经面对多个参考版本或历史数据整合，继续看这页。

延伸阅读

文件语义

常见文件格式概览

理解 FASTA、GTF、BAM、VCF 在这个框架里各自承载什么信息。

延伸阅读

解释层

数据库与资源

看结果最终如何接到数据库对象、功能资源和公开数据入口。

延伸阅读

实战流程

DNA-seq 变异检测总览

查看参考、坐标和注释如何直接影响 variant calling 与解释。

延伸阅读

实战流程

RNA-seq 工作流概览

查看注释版本和 feature 对象如何影响表达定量。

延伸阅读