1.6 基因组数据库与生物信息资源

前几节叙述了基因组计划如何组织与产出数据：百慕大原则要求长度不少于 1 kb 的序列在 24 小时内提交公共数据库（第 1.4 节）。数据被“倾倒”之后去了哪里、以什么形态存在、如何被全世界研究者反复取用，是本节要回答的问题。生物信息资源并非序列测定完成之后的附设品，而是基因组科学得以成立的先决条件之一：没有统一的存储、编号与检索体系，3×10⁹ bp 级的共享参照系就无从谈起（Gibson & Muse, 2009）。

理解本节内容需要一个观念转变：数据库应当被当作一件“科学仪器”来理解，与测序仪、作图工具同属学科的基础设施——望远镜之于天文学，数据库之于基因组学。仪器隐喻有三重含义：其一，仪器需要设计，数据模型与检索能力决定可做实验的边界；其二，仪器需要维护与校准，对应数据库的持续更新与人工审校；其三，仪器昂贵且必须共享，对应数据库的公共经费支持与开放获取制度。以下依次考察一级档案库（1.6.1）、GenBank 的数据组织（1.6.2）、二级与模式生物数据库（1.6.3）、基因组浏览器（1.6.4）、检索与分析工具生态（1.6.5），最后讨论数据共享与持久性的学术规范（1.6.6）。

1.6.1 一级数据库的国际协作

迄今所有公开的核酸序列，其正式归宿是一套被称为一级数据库(primary database)的原始档案系统，由三个中心构成（表 1.6-1）：美国的 GenBank 于 1982 年建立在洛斯阿拉莫斯国家实验室，1992 年起转由美国国家生物技术信息中心（NCBI）管理，该中心隶属国家医学图书馆，设于马里兰州贝塞斯达；欧洲的 EMBL-Bank 由欧洲分子生物学实验室（EMBL）在 20 世纪 80 年代初创建于海德堡，1995 年起随欧洲生物信息学研究所（EBI）落户英国欣克斯顿；日本的 DDBJ 于 1986 年建立在静冈县三岛的国立遗传学研究所（NIG）。

三个中心自 20 世纪 80 年代末起建立每日交换数据的协作机制，后正式定名为国际核酸序列数据库协作(International Nucleotide Sequence Database Collaboration, INSDC)。研究者向任一中心提交序列，即等同于向三家提交：序列连同元数据每日互换，因此无论查询哪一家，看到的都是同一份全球档案。与每日交换配套的是统一的编号体系——每条记录由首次受理的中心签发一个登录号(accession number)，该号码在三家中心同号出现、永久有效；早期格式为 1 字母加 5 位数字（如 U49845），随提交量增长扩展为 2 字母加 6 位数字（如 AY543210）。“提交一次、全球可见、编号永久”的制度设计，是一级库充当公共档案的基石，也使百慕大原则的 24 小时公开在技术上可行。

一级库的规模长期保持指数增长：GenBank 所含碱基数约每 18 个月翻一番，至原书出版前后已进入 10¹¹ bp 量级（Benson et al., 2009；数值随发布版本变化，此处为量级估计）。增长来自三方面——新物种的基因组计划、表达标签与 EST 等大规模项目、以及高通量测序的兴起。指数增长反过来塑造了检索体系的设计：当“通读式”使用不再可能时，索引、交叉链接与批量查询成为刚性需求（见 1.6.5 节）。

1.6.2 GenBank 的数据组织

一级库以平面文件(flat file)格式组织每条记录，GenBank 格式是事实标准之一。一条记录由三部分组成：描述区给出记录的身份信息；FEATURES 特征表把序列上的注释组织为结构化条目；ORIGIN 之后为碱基序列，记录以 “//” 结束。表 1.6-2 列出描述区的主要字段。

FEATURES 表是记录的信息核心。每个特征（feature）由特征键（feature key，如 source、gene、mRNA、CDS）加位置描述（location）构成：位置既可以是连续区间（如 1296..4399），也可以用 join 把多个外显子连为一个分子级对象——CDS complement(join(1296..1500,1787..4399)) 表示该编码区位于反向互补链、由两段外显子剪接而来。特征之下可挂限定词（qualifier），如 /gene="TCP1-beta"、/product、/translation，分别给出基因名、产物名与翻译产物序列。其中编码区注释(CDS feature)是基因注释的最小单元，其预测与审校方法将在第 2 章系统展开。需要强调：特征表内容由提交者或后续注释者给出，一级库不做科学性审校，质量参差——这正是使用时必须核对证据来源的原因。

提交与发布有明确流程。研究者经网页工具 BankIt 或本地软件 Sequin 提交（大型项目常用批量程序），中心完成格式检查与载体污染筛查后即签发登录号，数据随即进入每日更新的在线库，并汇入约每两个月一次的正式发布版本。此后的修订不覆盖历史：序列变更使版本号递增（U49845.1 变为 U49845.2），旧版本仍可回溯。档案“不可变”的设计，使任何分析都能精确指认其所依据的数据。

1.6.3 二级数据库与模式生物数据库

若一级库是档案柜，二级数据库(secondary database)就是按问题重组档案的阅览室。综合类二级资源中最重要的三家门户是 NCBI、Ensembl 与 UCSC。Ensembl 由 EBI 与维康信托桑格研究所于 1999 年联合创建，其特色是自动化注释流水线：每当新的基因组装配发布，流水线即完成重复序列掩蔽、蛋白质与转录本证据比对、基因模型预测，并赋予稳定标识符（如人类基因的 ENSG00000139618 形式）；对人类等关键物种，自动注释再与 Havana 团队的人工审校合并，形成质量更高的合并基因集（Hubbard et al., 2009）。UCSC Genome Browser 由加州大学圣克鲁兹分校在 2000—2001 年间开发，最初正是为人类基因组草图的组装与网络展示而写，其以“轨道”组织一切数据的界面范式影响深远（Karolchik et al., 2008；见 1.6.4 节）。NCBI 则以 Entrez 一体化检索与 Map Viewer 等工具把序列、文献与图谱串联为一个体系（Wheeler et al., 2008）。

与综合门户相对，模式生物数据库(model organism database, MOD)只服务一个物种，但做得更深（表 1.6-3）。其四项经典职能为：其一，人工文献审校(curation)——专职审校员逐篇阅读文献，把突变表型与功能注释（如基因本体术语）录入结构化字段；其二，命名规范——充当该物种基因命名的权威登记处，抑制同义名与歧义；其三，表型与互作数据——系统收录遗传互作、物理互作与突变表型；其四，与种质资源中心（如果蝇的 Bloomington 种原中心）互链，使序列信息可以落到可订购的实体材料上。综合门户的自动注释广而浅，模式生物库的人工审校窄而深：前者提供坐标，后者提供权威解释，二者互补。

1.6.4 基因组浏览器的数据组织

基因组浏览器(genome browser)是二级资源的统一界面范式，其数据组织依赖两个概念。第一是坐标系统：以某物种某一次基因组装配(genome assembly)为参照，每条染色体是一条带编号的坐标轴，任何对象的位置写作“染色体:起止”，如 chr7:117,120,001–117,180,000。坐标的含义完全依附于装配版本：人类的 GRCh37/hg19 与 GRCh38/hg38 是长度不同的两套坐标轴，同一基因在两套坐标中的位置并不相同；跨版本工作须用 LiftOver 等工具换算，并在成果中注明版本。第二是轨道(track)：凡能映射到坐标的信息——基因模型、mRNA 与 EST 证据、SNP、重复序列、物种间保守性——都画成一条与坐标轴平行的横带。由于所有轨道共享同一坐标，不同来源、不同实验乃至不同物种的数据可在同一窗口内直接对齐比较；“坐标+轨道”因此被称为基因组学的通用语言：写下 chr7 约 117 Mb，全球任何浏览器都会给出同一窗口。

浏览器的第二个一般机制是缩放与过滤。视图可从整条染色体一路放大到单个碱基，不同尺度自动呈现不同粒度的轨道——染色体级视图显示带型与基因密度，基因级视图显示外显子结构与剪接方式，碱基级视图显示具体序列与变异位点；过滤则按证据类型、得分阈值或组织来源控制轨道的开关与密度，避免数十条轨道相互遮挡。图 1.6-1 给出典型界面的示意。

1.6.5 检索与分析工具生态

面对超过千亿碱基的档案，逐条浏览不可想象，检索工具与数据库同步成长。NCBI 的 Entrez 是一体化检索的代表：以统一界面查询数十个子库（文献 PubMed、核酸 Nucleotide、蛋白质 Protein、变异 dbSNP、结构 Structure 等），并在结果之间提供“邻接”链接——由一篇文献跳到其序列、由序列跳到其引文与同源蛋白，构成一张可导航的数据网络（Wheeler et al., 2008）。EBI 一侧历史上以 SRS（Sequence Retrieval System）提供跨库查询，并发展出 BioMart 式的批量检索：以表单定义过滤条件与输出字段，一次取出成千上万条记录供下游分析。NCBI 的 Map Viewer 则把遗传图、物理图与序列图叠合显示（原书出版于 2009 年，此后 Map Viewer 已被新一代基因组视图工具取代，但其“多图同屏”的思想延续至今）。

单条序列对全库的搜索由基本局部比对搜索工具(Basic Local Alignment Search Tool, BLAST)承担：把查询序列与库中全部序列做局部比对，返回按显著性排序的相似片段。按查询与库的分子类型组合为 blastn（核酸对核酸）、blastp（蛋白质对蛋白质）、blastx（翻译的核酸对蛋白质库）、tblastn（蛋白质对翻译的核酸库）等（Altschul et al., 1997）。BLAST 是“以序列找序列”的通用入口，其统计学原理与参数选择将在第 2 章第 2.6 节展开。

工具之间以少数标准文件格式交换数据。FASTA 只有两要素——以“>”开头的标识行与随后的序列行，是一切分析程序的默认输入；GenBank 平面文件则把序列与 FEATURES 注释装在同一文本中，兼顾人类可读与程序可解析：

—— FASTA 格式 ——
>U49845.1 Saccharomyces cerevisiae TCP1-beta gene, partial cds
gatcctccat ...

—— GenBank 平面文件格式（NCBI 示例记录 U49845 节选）——
LOCUS       SCU49845     5028 bp    DNA     linear   PLN 15-JUN-1993
DEFINITION  Saccharomyces cerevisiae TCP1-beta gene, partial cds.
ACCESSION   U49845
VERSION     U49845.1
FEATURES             Location/Qualifiers
       source        1..5028
       gene          complement(1296..4399)
                     /gene="TCP1-beta"
       CDS           complement(join(1296..1500,1787..4399))
                     /gene="TCP1-beta"
ORIGIN
        1 gatcctccat ...
//

浏览器与注释系统还广泛使用 BED、GFF 等以“染色体—起点—终点—属性”为骨架的坐标型格式，其思想与轨道一一对应。至此可以把本节资源叠成一张分层图（图 1.6-2）：底层是每日互通的一级档案库；其上是由装配与注释构成的综合门户，把散乱记录组织为带坐标的参照系；再上是对单一物种深挖的模式生物专库；顶层是研究者经检索工具发起的查询与再分析。数据自下而上汇入，提问自上而下贯通。

1.6.6 数据共享与持久性

数据库是长期运行的基础设施，其经费与治理并不因科学重要性而自动稳定。大型档案库（NCBI、EBI）由公共资助体系长期支持；模式生物库与专题库规模较小，常随项目经费周期波动——拟南芥资源 TAIR 在原书出版后数年即因资助结构调整转入非营利机构运营并尝试订阅制，是常被引用的一例（原书出版于 2009 年，此为后续发展）。资源一旦停运，数据本身通常仍可在档案库中获得，但审校、命名登记与社区服务的中断会造成难以恢复的损失。因此“保存数据”与“保存服务”须分开评估，数据库的可持续性也被资助方列为专门议题。

绝大多数公共序列数据开放获取，但使用仍受学术规范约束。数据库通常在使用条款中提出两项基本要求：一是引用其数据库论文——多数数据库在《核酸研究》每年一月的数据库专辑中发表年度更新论文，规范做法是引用所用车份的最新版本；二是具体数据可追溯——引用时给出登录号与版本号（如 U49845.1）、装配版本（如 GRCh38）与取数日期。模式生物库还常要求在涉及基因命名与功能注释时标注其命名权威地位。

公共数据可以被任何人再分析，这正是档案库的设计目标；但再分析须满足三个条件方能为同行接受：其一，指明数据来源的登录号集合与版本，使他人能够重建同一数据集；其二，说明筛选与处理步骤（剔除标准、参数与软件版本）；其三，若再分析结论与原始发表不符，应在发表前核对差异来源——版本差异、样本定义或方法差异——必要时与原作者沟通。这些要求与实验科学的材料可追溯性同理，只是“试剂清单”换成了“数据清单”。2016 年提出的 FAIR 数据原则（可发现、可访问、可互操作、可再利用）是对上述实践的系统性总结（Wilkinson et al., 2016；原书出版于 2009 年，未及收录）。