基因组注释管线：从序列到功能注释的自动化流程

快速概览

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

所属板块 数据、注释与资源

参考版本、注释体系、数据格式与数据库的统一入口。

阅读目标 帮助建立阅读上下文

先判断这页与你当前问题的关系，再决定是否深入展开。

建议前置 先建立相关基础对象与方法直觉

建议先建立相关基础对象与方法直觉，再进入本页。

是什么

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：

1. 结构注释（Structural Annotation）：基因在哪里？外显子/内含子边界是什么？
2. 功能注释（Functional Annotation）：基因做什么？编码什么蛋白质？参与什么通路？

注释层级

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

为什么重要

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。

前置知识

• 生物学基础对象
• GTF/GFF/BED 格式
• 参考基因组、坐标系统与注释

注释管线的核心步骤

1

重复序列屏蔽

识别并屏蔽重复元素（LINE、SINE、LTR），避免误识别为基因。

重复序列占人类基因组 ~50%，必须先屏蔽再进行基因预测。

2

基因预测

从头预测（ab initio）或基于同源性的基因识别。

从头预测使用 HMM 模型（如 AUGUSTUS），同源性使用 BLAST 比对已知蛋白。

3

转录本构建

整合 RNA-seq、cDNA 证据，构建完整的转录本模型。

RNA-seq 提供剪接位点证据，cDNA 提供完整转录本序列。

4

功能注释

添加 GO 术语、通路信息、蛋白域、酶分类号。

通过 InterProScan、BLAST 比对已知数据库获取功能信息。

5

质量评估

使用 BUSCO 等工具评估注释完整性和一致性。

BUSCO 检测保守单拷贝同源基因的存在/缺失。

证据来源

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）

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

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

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

版本命名

GENCODE v42 (GRCh38)
        ↑      ↑
        版本号  参考版本

版本间差异

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。

质量评估

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

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

与真实工具或流程的连接

• 注释下载：Ensembl、GENCODE、NCBI 提供 GTF/GFF 文件
• 注释整合：gffread、agat 工具和比较不同注释
• 质量评估：BUSCO 评估注释完整性
• 可视化：IGV、UCSC 浏览器查看注释轨道
• RNA-seq 定量：featureCounts、HTSeq 使用 GTF 进行基因计数

常见概念误区

常见误区

• **注释 = 绝对真理**：注释是计算预测 + 证据整合，可能存在错误或遗漏。
• **所有注释系统给出相同结果**：Ensembl、GENCODE、RefSeq 的基因数量和结构可能不同。
• **基因数量越多越好**：过度预测会产生假阳性基因，质量比数量更重要。
• **注释版本无关紧要**：不同版本的基因模型可能不同，应记录并使用一致版本。
• **RNA-seq 足以注释所有基因**：低表达基因、组织特异基因可能在特定 RNA-seq 数据中不表达。

本章小结

• 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

相关页面

数据格式

GTF/GFF/BED 格式

注释文件的标准格式和坐标系统。

延伸阅读

注释系统

Ensembl 基因组注释

Ensembl 的注释流程和 ID 体系。

延伸阅读

应用层

RNA-seq 定量分析

使用 GTF 注释进行基因表达定量。

延伸阅读

参考基因组版本历史

注释版本与参考基因组版本的对应关系。

延伸阅读