参考基因组、坐标系统与注释
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。
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。
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。
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。
坐标系统决定”某个区间到底从哪里开始、到哪里结束”。
这包括多个层面的约定：
- 位置是 0-based 还是 1-based；
- 区间边界是否包含终点；
- 染色体名称写作
chr1还是1； - 不同文件类型和工具之间如何解释同一个区间。
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。
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。
三者是如何一起工作的
Section titled “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
Section titled “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
Section titled “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：
- 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。
- 染色体命名是否兼容
- 是
chr1还是1，是否存在不同 contig 集合。
- 是
- 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。
- 注释对象是否匹配当前问题
- 你是要看 gene、transcript、exon 还是 CDS？
- 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。
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。