干货指南｜参考基因组选择指南

点击蓝字关注我们

1. Ensembl：https://ftp.ensemblgenomes.ebi.ac.uk/pub/

2. NCBI：https://ftp.ncbi.nlm.nih.gov/genomes/

3. UCSC：https://genome-asia.ucsc.edu/cgi-bin/hgGateway

4. 植物基因组数据库

（1）JGI：https://phytozome-next.jgi.doe.gov/

（2）葫芦科：http://cucurbitgenomics.org/

5. 物种特有数据库

（1）花生：https://peanutbase.org/home

（2）棉花：https://www.cottongen.org/

（3）番薯：https://sweetpotao.com/

（4）拟南芥：http://www.arabidopsis.org/

（5）番茄：https://solgenomics.net/organism/solanum_lycopersicum/genome

（6）猕猴桃：https://kiwifruitgenome.org/

1. Ensembl 数据库

是由 European Bioinformatics Institute（EBI）与Wellcome Trust Sanger Institute（WTSI）共同合作开发的数据库。其注释信息比UCSC和NCBI的更完整更规范，易于转换为基因名称，便于分析使用；且注释版本持续更新发布，增强了分析的可重复性。是最推荐的参考基因组下载的数据库。当前版本的下载链接如下：

植物：https://ftp.ensemblgenomes.ebi.ac.uk/pub/plants/current/

动物：https://ftp.ensembl.org/pub/release-113/

真菌：https://ftp.ensemblgenomes.ebi.ac.uk/pub/fungi/current/

细菌：https://ftp.ensemblgenomes.ebi.ac.uk/pub/bacteria/current/

那如何查找目标物种的参考基因组呢？

（1）点击以下网址链接http://plants.ensembl.org/index.html 进入植物参考基因组查找页面，可点击左上角的箭头进入动物、真菌或细菌等参考基因组页面。

（2）点击view full list of all species 进入以物种名称排序的数据列表。

（3）在该列表中查找我们关注的物种，或者可以在右侧的方框中输入物种拉丁名进行检索。

（4）输入水稻日本晴拉丁名（Oryza sativa Japonica Group），点击最左侧的物种名称进入日本晴基因组信息的展示页面。

（5）点击Download DNA sequence (FASTA) 可进入参考基因组序列信息链接; 点击GFF3可进入参考基因组注释信息链接。

① 点击Download DNA sequence (FASTA)进入基因组序列链接后，我们会发现有多个类型的基因组序列文件，该如何选择呢？

基因组序列组装主要根据不同的组装形式和重复序列的不同处理方式进行划分。

toplevel：包含单倍型（会导致比对结果不准确，提升多重比对率）。

primary_assembly：包含 toplevel 类型中除了单倍型的所有序列，如果数据库中不包含primary_assembly 文件，则表明没有单倍型区域，和 toplevel 文件等同。

dna：未处理的基因组序列。

dna_rm：用 RepeatMasker 工具识别处理的基因组序列，重复区和低复杂度区的碱基用 N 代替（大量的N）。

dna_sm：soft-masked，基因组序列的重复区和低复杂度区的碱基用小写字母代替。

使用STAR/hisat2等软件进行比对时，推荐使用 .dna.primary_assembly 版本，当数据库中不包含primary_assembly 文件时可以选择dna.toplevel 版本。点击基因组序列文件可直接下载，或者将鼠标放到对应文件上右键选择复制链接。

② 点击GFF3进入参考基因组注释信息链接，按需选择注释版本，只关注在染色体上的基因信息选择chr.gff3；关注所有基因信息则选择 .gff3。注释文件中的基因ID是Ensembl ID，基本都是以ENS开头，后接表示物种的符号，详细的物种符号表示可见链接http://asia.ensembl.org/info/genome/stable_ids/prefixes.html。

③ 将页面最上方的地址框中的gff3字段修改为gtf，即可进入GTF文件所在链接，选择与GFF3对应版本的GTF文件即可。

2. NCBI数据库

NCBI是National Center for Biotechnology Information的缩写，指美国国立生物技术信息中心。其包含的物种信息最全面，可以作为第二选择。

（1）点击以下链接https://www.ncbi.nlm.nih.gov/genome/ 进入NCBI参考基因组查找页面，输入水稻日本晴拉丁名（Oryza sativa Japonica Group）检索参考基因组信息。

（2） 在弹出的页面中可以看到NCBI最为推荐的参考基因组（通常为最新，用【√】标注）及数据库中收录的该物种所有版本的基因组信息。包含基因组名称、GenBank编号、RefSeq 编号、物种名称、品种、组装水平、释放日期等。

（3）点击最左侧的基因组名称可跳转到该版本基因组的详细页面，包含基因组的组装信息、样本信息、注释信息等。

GenBank版本的基因组和RefSeq版本的基因组有什么区别呢，该如何选择？

① GenBank：编号通常以GCA_xxx 命名，一般由提交参考基因组版本的人员进行维护，gene ID 格式不一致，GFF/GTF注释文件可有可无。

② RefSeq：编号通常以GCF_xxx 命名，是由NCBI工作人员选取并进行维护的参考基因组，手动注释修正，高质量，包含GFF/GTF注释文件，gene ID通常以gene symbol 命名，在NCBI数据库中可查找到基因的详细信息。推荐优先选择。

（4）点击对应版本右侧的 Actions，选择 See more files on FTP 跳转到下载页面。

（5）选中文件，点击鼠标右键-复制链接，将基因组序列、GFF3、GTF文件的链接复制到沟通信息表中对应位置。如果下载链接中只包含 .gbff文件，通常是只提交了基因组组装序列未提交注释文件，此版本无法用于有参转录组分析。

当目标物种有多个版本的参考基因组时，该如何选择呢？在基因组的描述信息页面或关联的已发表文章中查看比较以下信息：

1. 物种品系：选择和自己研究品种相近的参考基因组

2. 基因组组装水平：通常选择组装到染色体级别的参考基因组

3. 基因组的Scaffold N50 、Contig N50 ：通常N50越大表示组装质量越好

4. 基因组Gap数：通常Gap 数目越少表示组装越完整

5. 注释基因数量：通常注释基因数目越多表示注释越完整

综上所述，首选 Ensembl 数据库的参考基因组，NCBI RefSeq 数据库的其次。当有多个版本基因组时首先选择和研究品种相近的参考基因组，品种相同时结合基因组组装水平、序列N50、Gap数目、注释基因数目等综合进行选择。当常用的参考基因组数据库中无法检索到相关物种的参考基因组时，可通过检索文献进行目标物种参考基因组的查找、或者选择亲缘关系较近的物种的参考基因组、也可以选择做无参转录组分析。