做人全基因的变异检测，首先需要下载人全基因组参考序列。参考序列主要是一些已发表物种基因组的一些信息，可以包括基因组序列，基因的核酸序列，基因的氨基酸序列，坐标文件，注释信息等，需要针对不同的分析目的，选择合适的数据进行下载。 由于分析目的的不同，人全基因组参考序列包含很多的版本，同一版本有衍生出很多特殊版本，例如重复序列是否屏蔽，是否带端粒，中心粒，孢疹病毒，ALT序列，rCRS mitochondrial，是否包含没有定位到基因组上的序列，以及参考序列ID是否与后续注释数据库相同等。需要考虑的因素比较多。 不同版本人参考序列众所周知人类基因组主要构成包括22条常染色体（1-22），2条性染色体（X，Y）和线粒体DNA（mtDNA），但是由于拼接结果不完整等原因，人全基因组参考序列存在多个版本。 而且即使是同样的序列，存储在不同数据库的命名也有很大差别，例如来自UCSC数据库中，一般命名为hg18，hg19，hg38。而在NCBI数据库中命名为GRch36,37,38，GRC是Genome Reference Consortium 的简称，而embl数据库中则是release然后跟一个版本号，有非常多的版本，千人基因组命名为b36，b37。 目前，广泛使用的版本是GRCH37和GRCH38。2009年，theGenome Reference Consortium (GRC)发布了第19版人类基因组GRCH37，也常被称为hg19。GRCH37被广泛应用于数据分析。2013年，GRC发布了GRCH38。但由于注释工具、数据库的不健全及升级基因组工作繁杂，时至今日，GRCH37仍被相当程度地使用。 不同命名方式的关系 不同数据库采用不同的命名方式，UCSC命名最简单，就是hg加数字，比如hg18，hg19和hg38这些版本比较常用；NCBI的命名更复杂一些，是GRCH开头，然后数字，36,37,38等。 而ENSEMBL命名就更复杂了，只给出版本比如52,59,61,80,81,82等。 这三种命名方式有一个对应关系。如下表所示： 表1不同版本基因组比较
GRCH37与GRCH38版本详细差别根据GRC的官方文件，GRCH38是最精确的人类基因组。GRCH38基于金标准Sanger测序组装，读长约为1000bp，精确度是高通量测序的10倍。与GRCH37相比，GRCH38替换了8000个等位基因位点，校正了数个组装错误的基因组区域，补全了gap，添加了着丝粒序列，在178个区域组装了261条alternate loci，丰富了基因组的多样性。 已发表的论文认为GRCH38是GRCH37的重大升级，可提供更精确的生物信息学和基因组学分析。我们设计了实验量化基于GRCH38和GRCH37的数据分析差异。 参考材料1：https:///10.1016/j.ygeno.2017.01.005 参考材料2：https:///38335/get-to-know-your-reference-genome-grch37-vs-grch38/ 表 2 GRCH37与GRCH38详细比较 不算线粒体DNA，GRCH37 和GRCH38分别有3095677412和3088269832个核苷酸。 在基因组fasta文件中，’N’表示gap或者未注释区域，GRCH37共有234350281个'N’，而GRCH38中有150630719个，减少了83719562个，占比35.7%。 外显子可以编码氨基酸，是人类基因组最重要的组成部分。从Ensembl(GRCh37 v37.75, GRCh38 v38.82)下载最新的Gene Feature Format(GTF)文件统计外显子区域。外显子区域由GRCH37的75231228个核苷酸增加到GRCH38的95505476个，约有26.9%的增幅。从全基因组水平看，外显子占比由2.43%增至3.09%。 基因组下载地址常见的参考序列主要存储在国际三大核酸数据库NCBI，EMBL，DDBJ等，还包括UCSC以及一些物种单独的网站上。由于参考序列一般比较大，这里推荐使用ftp工具进行下载，ftp工具是专门的针对ftp文件传输协议的工具，下载速度更快，并且支持断点续传，可以使用xftp或者filezilla等访问ftp进行下载，也可以直接通过命令行ftp工具进行下载，例如lftp命令等。 NCBI: ftp://ftp.ncbi.nlm.nih.gov/ |
|
|
