欢迎关注”生信修炼手册”!

在数据分析中，经常需要下载物种的参考基因组序列。通常情况下，可以考虑以下3个数据库

  1. NCBI
  2. Ensembl
  3. UCSC

这三个数据库都是公共的大型数据库，里面存储了很多物种的基因组序列。这3个数据库作为第一选择，如果这三个数据库中都没有你要寻找的物种，可以尝试寻找该物种特有的数据库。

同一个基因组在以上三大数据库中的记录还是稍有不同的，以​​human​​为例，在NCBI中的链接如下

​​https://www.ncbi.nlm.nih.gov/genome/?term=human​​

可以看到，基因组的版本为​​GRCh38.p12​​​。对于每条染色体，提供了​​RefSeq​​​和​​INSDC​​两种编号。

详解参考基因组的下载方式_标识符

在下载时，可以从红色方框标记的3处地方进行下载， 其中​​genome​​链接可以直接下载序列，如果该物种同时提供了RefSeq和Genebank，则此链接下载的是RefSeq的序列；如果只有GeneBank，则此链接下载的是GeneBank的序列。

详解参考基因组的下载方式_标识符_02

1. Genebank

genebank数据库为每个组装的版本提供了一个​​GCA​​​开头的编号，human的最新版编号为​​GCA_000001405.27​​。从genbank下载的序列中，每条序列的ID是上图中的INSDC编号，1号染色体对应的编号如下

CM000663.2

2. RefSeq

genebank数据库中为每个组装的版本提供了一个​​GCF开头的编号，human的最新版编号为​​GCF_000001405.38`。从genbank下载的序列中，每条序列的ID是上图中的RefSeq编号，1号染色体对应的编号如下

NC_000001.11

其实Genebank和RefSeq中序列的内容是完全相同的，只是序列标识符有区别而已。GeneBank是开放的，所有的人都可以向其中提交数据，而RefSeq是需要审核的，保证了数据的可靠性。

NCBI提供的基因组序列包含以下4种水平

  1. chromsome
  2. unlocalized-scaffold
  3. alt-scaffold
  4. patch

​​chromsome​​​就是组装到染色体水平的序列，比如​​chr1​​​这种序列；​​unlocalized-scaffold​​​是无法定位到染色体的scaffold序列，比如​​chrUn​​​这种序列，这两种格式的序列共同组成了基因组的​​primary_assembly​​版本。

​​alt-scaffold​​​的染色体定位是清楚的，是染色体上部分区域的同源序列，比如​​chr3_KI270934v1_alt​​​这种序列，对于多倍体生物，同源染色体会存在杂合，所以会出现alt的现象；​​patch​​指的是补丁序列，其染色体定位也是清楚的，是对已有序列的补充和纠正，在未来的版本中，会更新到染色体上去。

NCBI下载的序列并不直接提供​​chr1​​这种我们常见的编号，如果想要这种编号，可以考虑从UCSC和Ensembl进行下载。

UCSC为基因组的不同版本提供了缩写，对于human而言，有hg38, hg19等。从下图可以看到，UCSC的版本和NCBI的版本相对应，比如hg38对应的版本为GRCh38。

详解参考基因组的下载方式_复杂度_03
hg38基因组序列对应的下载链接为

​​http://hgdownload.soe.ucsc.edu/goldenPath/hg38/bigZips/hg38.fa.gz​​

UCSC提供的基因组序列只包含​​chromsome​​​, ​​unlocalized-scaffold​​​，​​alt-scaffold​​​ 这三种序列，其标识符是​​chr1​​​这种格式, 需要注意的是，线粒体的标识符为​​chrM​​。

Ensembl提供的基因组序列和NCBI的Genebank数据库完全对应，human的截图如下

详解参考基因组的下载方式_标识符_04

FTP地址如下

ftp://ftp.ensembl.org/pub/release-93/fasta/homo_sapiens/dna/

Ensembl提供了以下两种版本

  1. top_level
  2. primary_assembly

​​top_level​​​版本和NCBI提供的版本一致，包含了所有的组装结果；而​​primary_assembly​​版本只包含chromsome和unplaced-scaffold序列。

这两个版本用处也不大一样，​​primary_assembly​​​不包含alt-scafflod, 更适用于SNP的分析， 因为SNP就是在分析基因组上的杂合程度，而​​top_level​​版本适合于SNP以外的场景，更加完整的序列可以保证良好的比对率。

对于同一个版本, 还提供了不同的序列类型

  1. dna
  2. rm
  3. sm

​​dna​​​就是原始的基因组序列，​​rm​​​和​​sm​​​在原始序列的基础上标记了其中的低复杂度序列，其中​​rm​​​采用了硬编码的形式，删除了基因组中的低复杂度序列，​​sm​​​采用了软编码的方式，将低复杂度序列用小写字母表示。通常选择​​dna​​版本进行下载即可。

最后强调一点，Ensembl提供的序列标识符也是我们常见的染色体编号的形式，只不过是不带​​chr​​​前缀的，而且线粒体用​​MT​​表示。

·end·

—如果喜欢，快分享给你的朋友们吧—


扫描关注微信号，更多精彩内容等着你！

详解参考基因组的下载方式_复杂度_05