序列、字符串与坐标系统

快速概览

生物序列（DNA, RNA, 蛋白质）在计算层面上被抽象为有限字母表上的字符串。理解这一抽象以及随之而来的坐标系统约定，是所有后续算法（如比对、组装）的物理基础。

掌握 DNA 的四字符字母表 {A, C, G, T} 及其双链互补特性
理解"反向互补" (Reverse Complement) 在测序数据处理中的核心地位
区分 0-based 与 1-based、半开区间与闭区间等坐标约定
理解字符串抽象与坐标约定如何为后续比对、组装等核心方法提供物理基础

1. 从分子到字符串

在计算机眼里，复杂的生物大分子被简化为线性排列的字符。这一抽象是生物信息学所有后续计算的基础——比对、组装、变异检测、Motif 搜索，归根结底都是字符串操作。

三种核心字母表

DNA 字符串: 字母表 $Sigma = {A, C, G, T}$。长度可从几百 bp（Reads）到几百 Mb（染色体）。人类基因组约 $3 imes 10^9$ bp。
RNA 字符串: 字母表 $Sigma = {A, C, G, U}$。RNA 中的 U（尿嘧啶）取代了 DNA 中的 T（胸腺嘧啶）。通常代表转录后的信息片段，如 mRNA、tRNA、rRNA。
蛋白质字符串: 字母表 $Sigma$ 包含 20 种标准氨基酸（单字母编码：A, C, D, E, F, G, H, I, K, L, M, N, P, Q, R, S, T, V, W, Y）。蛋白质的性质很大程度上取决于氨基酸序列。

字符串的层次

生物序列并非均匀的同质字符串，而是具有内部层次结构的：

基因组（Genome, ~3 Gb）
  └── 染色体（Chromosome, ~50-250 Mb）
        └── 基因（Gene, ~1-100 kb）
              └── 外显子（Exon, ~50 bp - 几 kb）
                    └── 密码子（Codon, 3 bp）
                          └── 碱基（Nucleotide, 1 bp）

理解这种层次结构对于设计高效的索引和搜索算法至关重要。例如，在进行全基因组比对时，通常先在染色体级别定位，再在基因级别精细比对，而非直接在碱基级别进行暴力搜索。

2. 关键特性：方向性与互补性

5' 到 3' 方向

DNA 和 RNA 链具有极性（Polarity）。核苷酸通过磷酸二酯键连接，化学方向决定了信息流的走向：

5' 端：磷酸基团端，通常写在序列的左侧。
3' 端：羟基端，通常写在序列的右侧。

在生物信息学中，除非特别说明，字符串默认按 5' 端到 3' 端的顺序存储。这一约定是所有比对算法和搜索算法的隐含前提。

DNA 聚合酶只能沿 5' 到 3' 方向合成新链，这一生物学事实深刻影响了测序技术的设计和数据处理的方式。

反向互补（Reverse Complement）

由于 DNA 是双链且反向平行的，理解反向互补操作是处理测序数据的基本功。

对于序列 $S = \text{5'-ATGC-3'}$ ：

互补（Complement）：按 A-T, G-C 配对规则得到 3'-TACG-5'。
反向（Reverse）：将字符串前后颠倒，得到 5'-GCAT-3'。

用数学符号表示：给定序列 $S = s_1 s_2 \cdots s_n$ ，其反向互补序列 $S^{rc}$ 为：

$S^{rc} = \overline{s_n} \cdot \overline{s_{n-1}} \cdots \overline{s_1}$

其中 $\overline{s_i}$ 表示 $s_i$ 的互补碱基（ $\overline{A}=T$ , $\overline{T}=A$ , $\overline{G}=C$ , $\overline{C}=G$ ）。

反向互补的算法挑战

在搜索 Motif 或比对 Reads 时，必须同时考虑原始序列及其反向互补链，因为测序仪可能从任何一条链上读取信息。这意味着：

双链搜索：在参考基因组上搜索时，通常需要同时搜索正链和反链（反向互补），然后将结果合并。
Read 比对：比对器（如 BWA、Bowtie2）会自动尝试将 Read 同时比对到正链和反链，取得分更高的结果。
k-mer 索引：构建 de Bruijn 图或 k-mer 索引时，通常约定使用字典序较小的 k-mer 作为规范形式（Canonical k-mer），以避免正反链的重复计数。

模糊碱基与 IUPAC 编码

在实际的测序数据中，并非所有位置都能被明确识别为 A、C、G 或 T。IUPAC（国际纯粹与应用化学联合会）定义了一套扩展编码来表示不确定的碱基：

| 符号 | 含义 | 说明 | | :--- | :--- | :--- | | A | A | 腺嘌呤 | | C | C | 胞嘧啶 | | G | G | 鸟嘌呤 | | T | T | 胸腺嘧啶 | | N | A/C/G/T | 任意碱基（Unknown） | | R | A/G | 嘌呤（Purine） | | Y | C/T | 嘧啶（Pyrimidine） | | S | G/C | 强氢键（3 个氢键） | | W | A/T | 弱氢键（2 个氢键） | | K | G/T | 酮基（Keto） | | M | A/C | 氨基（Amino） | | B | C/G/T | 非 A | | D | A/G/T | 非 C | | H | A/C/T | 非 G | | V | A/C/G | 非 T |

在参考基因组中，N 通常表示未测序或无法确定的区域（如着丝粒、端粒等高度重复区域）。

3. 坐标系统：生物信息学的"巨坑"

不同工具和文件格式对位置的计数规则不同，这常导致 Off-by-one（差一） 错误。坐标系统的混淆是生物信息学初学者最常遇到的陷阱之一。

两种坐标系统

维度	0-based (零基)	1-based (一基)
起始编号	从 0 开始计算	从 1 开始计算
区间表示	通常为半开区间 $[start, end)$	通常为闭区间 $[start, end]$
示例格式	BED, BAM (内部), Python 索引	VCF, GFF, SAM (文本列), R (Bioconductor)
长度计算	$end - start$	$end - start + 1$

区间约定

除了起始编号的差异，区间端点的包含性也不同：

半开区间 $[start, end)$ ：包含 $start$ ，不包含 $end$ 。Python 风格，BED 格式使用。
闭区间 $[start, end]$ ：同时包含 $start$ 和 $end$ 。VCF、GFF 格式使用。

示例

对于序列 ACTG：

在 0-based 半开区间 系统中：
- 第一个碱基 A 的位置是 0
- 区间 [0, 2) 代表 AC（位置 0 和 1）
- 区间长度为 $2 - 0 = 2$
在 1-based 闭区间 系统中：
- 第一个碱基 A 的位置是 1
- 区间 [1, 2] 代表 AC（位置 1 和 2）
- 区间长度为 $2 - 1 + 1 = 2$

注意：同一个生物学区间在这两种系统中的数值表示不同。BED 格式中的 [0, 100) 和 GFF 格式中的 [1, 100] 实际上代表的是同一个区域。

常见格式与坐标系统对照

实践中的坐标转换

在编写脚本处理不同格式的数据时，坐标转换是几乎不可避免的。以下是常见的转换规则：

BED 到 GFF： $start_{GFF} = start_{BED} + 1$ ， $end_{GFF} = end_{BED}$
GFF 到 BED： $start_{BED} = start_{GFF} - 1$ ， $end_{BED} = end_{GFF}$
SAM POS 到 BAM 0-based： $pos_{0based} = pos_{SAM} - 1$

许多数据处理事故（如提取了错误的基因组区域、统计了错误长度的区间）都可以追溯到坐标系统的混淆。建议在项目中统一使用一种坐标约定，并在格式转换时显式处理差异。

4. 后续衔接

本页建立的字符串抽象和坐标系统约定，是后续核心方法的物理基础。编辑距离（Edit Distance）与序列比对的完整算法将在编辑距离与比对中展开；k-mer 分析、子串索引与基因组组装所需的数据结构则在 k-mer 与子串分析中详细讨论。建议在进入这些页面之前，确保对本页的反向互补操作和坐标转换规则已经熟悉。

常见误区

误区一：忽视反向互补链。在搜索或比对时只考虑正链，会遗漏约一半的真实匹配。测序仪可以从任何一条链上读取信息，因此分析时必须同时考虑正链和反链。
误区二：混淆坐标系统。在不同工具和文件格式之间转换时，如果不注意 0-based 与 1-based 的差异，会导致提取错误的基因组区域。这是生物信息学中最常见的数据处理错误之一。
误区三：将"序列相似"等同于"同源"。两条序列相似可能是因为共同祖先（同源），也可能是因为趋同进化或随机巧合。判断同源性需要更多的进化分析。
误区四：忽视 N 碱基的影响。参考基因组中的 N 区域（未确定碱基）会影响比对和变异检测。Reads 比对到 N 区域时，比对器通常无法给出可靠的结果。
误区五：假设序列数据是"干净"的。实际的测序数据包含测序错误、接头污染（Adapter Contamination）、低质量碱基和各种人工产物。在进行分析之前，必须进行质量控制（Quality Control, QC）。