数据库与注释系统一览
生物信息学数据库并非平面的资源列表，而是围绕特定生物学对象（基因、转录本、变异、蛋白、样本等）组织的信息体系。理解不同数据库的中心对象、ID 命名规则和版本背景，是正确整合与解释数据的前提。
- 数据库的本质差异在于其中心对象：注释系统围绕基因/转录本，变异数据库围绕位点/等位基因，蛋白资源围绕功能/结构，队列资源围绕样本/实验。
- 跨数据库整合的关键障碍是对象层级、ID 体系和参考版本的不一致，而非技术接口。
- 选择数据库时应先明确研究问题涉及什么对象类型，再寻找对应的资源族。
生物信息学研究中涉及的数据库与注释资源数量庞大，从 Ensembl、RefSeq 到 ClinVar、gnomAD，再到 GEO、SRA，初学者常感无所适从。一个系统性的认知框架是：不同类型的数据库围绕不同的中心生物学对象组织信息。
可将主要资源分为四类对象体系：
| 资源类别 | 中心对象 | 典型资源 | 核心问题 |
|---|---|---|---|
| 注释系统 | 基因、转录本、外显子、基因组组装 | Ensembl、RefSeq、GENCODE | 基因的结构与坐标定义 |
| 变异数据库 | 变异位点、rsID、临床意义、群体频率 | dbSNP、ClinVar、gnomAD | 变异的识别、频率与功能影响 |
| 蛋白与功能资源 | 蛋白质、结构域、三维结构、通路 | UniProt、PDB、KEGG | 分子功能与系统通路 |
| 公共数据与队列 | 样本、实验、原始数据、处理结果 | GEO、SRA、TCGA | 数据复用与元信息 |
理解这一分类框架后，核心问题转化为：我当前的研究问题涉及什么对象？该对象在哪套 ID 体系和参考版本中被定义？
只有回答了这一问题，才能避免在错误的数据库中查找信息，或将不同对象层级的记录错误地等同起来。
对象层级匹配的重要性
Section titled “对象层级匹配的重要性”实践中常见的信息误用，往往源于对象层级的不匹配：
- 基因 vs. 转录本层级混淆：试图解释转录本水平的现象，却仅查询基因符号（gene symbol），忽视了同一基因可能有多个选择性剪接转录本的事实；
- 变异数据库功能误置：判断变异的人群频率时查询了 ClinVar（临床审阅数据库），而判断临床意义时却仅参考了 gnomAD（群体频率数据库）；
- 数据类型识别错误：复用公开数据时未区分原始测序 reads 与经过处理后的表达矩阵，导致下游分析假设与数据实际性质不符；
- 版本体系忽视：整合多个资源时未核查其参考基因组版本（assembly）和注释版本（release）的一致性。
这些错误的共同特征是：在错误的对象层级或版本背景下寻找答案。建立清晰的对象-数据库映射意识，是避免此类问题的关键。
先分清你在查哪一类资源族
Section titled “先分清你在查哪一类资源族”这张图展示了不同类型的数据库与其中心生物学对象之间的关系。
| 维度 | 中心对象 | 代表资源 |
|---|---|---|
| 注释系统 | gene / transcript / exon / assembly / 注释版本 | Ensembl、RefSeq、GENCODE |
| 变异知识库 | variant / rsID / 临床意义 / 群体频率 | dbSNP、ClinVar、gnomAD |
| 蛋白与功能资源 | protein / domain / structure / pathway | UniProt、PDB、KEGG |
| 公共数据与队列 | sample / study / raw reads / processed matrices / metadata | GEO、SRA、TCGA |
常见资源族的角色
Section titled “常见资源族的角色”注释系统：Ensembl、RefSeq、GENCODE
Section titled “注释系统：Ensembl、RefSeq、GENCODE”这类资源最适合回答的是：
- 一个 gene 在当前 assembly 上有哪些 transcript；
- transcript / exon / CDS 的结构如何；
- 当前分析所依赖的注释对象究竟来自哪套体系。
它们的差别往往体现在：
- ID 命名规则不同；
- release / version 更新节奏不同；
- 注释策略和覆盖范围不同；
- 与特定物种或分析场景的耦合程度不同。
变异数据库：dbSNP、ClinVar、gnomAD
Section titled “变异数据库：dbSNP、ClinVar、gnomAD”这类资源看起来都”和变异有关”，但回答的问题并不一样：
- dbSNP：更偏”这个变异是否是已知记录”；
- ClinVar：更偏”这个变异是否有临床解释与审阅状态”；
- gnomAD：更偏”这个变异在人群中常见还是罕见”。
因此，把它们视为同义资源会直接导致解释偏差。
蛋白与功能资源：UniProt、PDB、KEGG
Section titled “蛋白与功能资源：UniProt、PDB、KEGG”这类资源不一定定义”坐标上的注释对象”，但它们对解释层非常重要：
- UniProt 把 gene / transcript 进一步接到 protein 层功能上；
- PDB 提供结构层线索；
- KEGG 帮助把结果放回 pathway 或功能网络。
如果一个结果只停留在 transcript 或 variant 层而不继续走向蛋白/通路层，解释往往还不完整。
公共数据与队列资源：GEO、SRA、TCGA
Section titled “公共数据与队列资源：GEO、SRA、TCGA”这类资源的关键不是”有没有数据”，而是先判断你需要哪一种对象：
- 原始测序 reads；
- 项目或样本元信息；
- 处理后的表达矩阵或队列结果；
- 统一整理后的大型项目数据。
因此，查公开数据时最容易踩的坑，不是搜不到，而是找到了错误层的数据对象。
选择资源时，先问自己什么问题
Section titled “选择资源时，先问自己什么问题”| 场景 | 推荐选择 | 原因 |
|---|---|---|
| 我要确认 gene / transcript 注释与坐标背景 | 先去注释系统 | 这一步解决的是 assembly、transcript 结构和注释对象边界问题。 |
| 我要判断一个变异在人群中是否常见 | 先去群体频率数据库 | 频率问题和临床意义问题不是同一类判断。 |
| 我要判断一个变异是否已有临床解释 | 先去临床变异数据库 | 临床审阅状态与群体频率不能互相替代。 |
| 我要把结果连到蛋白功能或通路层面 | 再接蛋白/功能资源 | 这一步解决的是 protein、structure、pathway 层的解释。 |
| 我要复用公开实验或项目数据 | 先区分 raw data 与 processed data | GEO、SRA、TCGA 这类资源里最先要分清的是对象层，而不是站点名称。 |
示例：候选变异的层级化注释流程
Section titled “示例：候选变异的层级化注释流程”假设在 GRCh38 参考背景下识别出一个候选变异位点，如何系统性地整合多数据库信息进行解释？以下是一种分层的查询策略：
步骤 1：定位注释背景
- 查询 Ensembl 或 RefSeq，确认该位点位于哪个基因/转录本的哪个区域（外显子、内含子、UTR、基因间区）
- 记录所使用的注释版本，确保与后续分析一致
步骤 2：已知性识别
- 查询 dbSNP，确认该位点是否为已记录的变异（获得 rsID）
- 区分”已知变异”与”新发现位点”，两者在后续验证策略上有所不同
步骤 3：人群频率评估
- 查询 gnomAD 等群体频率数据库
- 判断该变异在一般人群中的出现频率：高频变异通常为良性多态，低频变异可能具有功能或病理意义
步骤 4：临床意义查询（如适用）
- 查询 ClinVar，查看该变异是否有临床实验室的审阅记录和致病性分类
- 关注审阅状态（review status）和证据级别
步骤 5：功能层面解释（如编码区变异）
- 查询 UniProt 了解蛋白功能域信息
- 查询 PDB 获取结构背景（如影响已知结构区域）
- 查询 KEGG 等通路数据库，评估对生物通路的可能影响
核心认知：数据库整合的本质是”按对象层级和问题类型逐层衔接”，而非在单一网站寻找”最终答案”。每一层数据库仅回答特定类型的问题，整合的价值在于建立完整的解释链条。