外觀
參考基因組 (Reference Genomes)
比對、變異座標、註解都以參考基因組為座標系。人類有兩個主流版本,且同一版本有 UCSC、Ensembl、NCBI 三種「包裝」,染色體命名與內容略有不同,混用是最常見的錯誤來源之一。
人類基因組版本
| 版本 | UCSC 名稱 | 發布 | 特點 | 使用情境 |
|---|---|---|---|---|
| GRCh37 | hg19 | 2009 | 舊版;許多舊資料庫與臨床報告仍使用 | 舊資料、部分臨床實驗室 |
| GRCh38 | hg38 | 2013(持續以 patch 更新,如 p14) | 修正數千個錯誤與 gap;含 alt contig、著絲點模型 | 目前主流 |
| T2T-CHM13 | hs1 | 2022 | 第一個無 gap 的完整人類基因組(含著絲點、rDNA) | 研究難比對區域;臨床與資料庫生態尚在轉移中 |
座標在版本間不相容:同一個變異在 hg19 與 hg38 的位置可差數千到數百萬 bp。所有資料(BAM、VCF、BED、資料庫)先確認版本。
UCSC vs Ensembl vs NCBI
| UCSC | Ensembl | NCBI (RefSeq) | |
|---|---|---|---|
| 染色體名稱 | chr1…chrX、chrY、chrM | 1…X、Y、MT | NC_000001.11… |
| 對應註解 | GENCODE、refGene / ncbiRefSeq | Ensembl GTF | RefSeq GFF / GTF |
| 下載 | hgdownload | Ensembl FTP | NCBI GRCh38_latest |
hg19 的粒線體陷阱:UCSC hg19 的
chrM是舊的 NC_001807,GRCh37 的MT是現行標準 rCRS(NC_012920),兩者長度與序列不同;hg38 已統一為 rCRS。
該下載哪個 FASTA
| 檔案 | 內容 | 建議 |
|---|---|---|
analysis set(GCA_000001405.15_GRCh38_no_alt_analysis_set) | 主要染色體 + 未定位 contig + decoy / EBV,alt contig 移除,PAR 區遮蔽 | 短讀比對首選(GATK、多數流程) |
Ensembl dna.primary_assembly | 主要染色體 + 未定位 contig,不含 alt / patch | RNA-seq(搭配 Ensembl GTF) |
GENCODE primary_assembly.genome.fa | 同上,chr 命名 | RNA-seq(搭配 GENCODE GTF) |
Ensembl dna.toplevel | 含所有 alt haplotype 與 patch | 不要直接拿來比對:alt contig 會讓真實 reads 變成多重比對、MAPQ 0 |
dna_sm / dna_rm | 軟遮蔽(重複區小寫)/ 硬遮蔽(重複區 N) | 引子設計用軟遮蔽;比對用未遮蔽或軟遮蔽,不要用硬遮蔽 |
UCSC chromosomes/ | 每條染色體一個檔案 | 只需要少數染色體時 |
alt contig 要保留時,比對器需支援 alt-aware 模式(BWA 的 .alt 檔、DRAGEN)。
取出特定區域 / 所有 exon 的序列
bash
samtools faidx GRCh38.fa chr7:140753300-140753400 # 單一區域
bedtools getfasta -fi GRCh38.fa -bed exons.bed -name -s > exons.fa # 依 BED(-s 依股別反向互補)
gffread -w transcripts.fa -g GRCh38.fa gencode.gtf # 所有轉錄本的序列所有 exon 的 BED 可從 GTF 轉出(見 GTF / GFF3),或用 UCSC Table Browser(track 選 GENCODE / NCBI RefSeq,output format 選 sequence,再選 Exons)。做法參考 Biostars 討論。
版本轉換 (liftOver)
| 工具 | 輸入 | 備註 |
|---|---|---|
| UCSC liftOver | BED、座標 | 網頁或命令列,需要 chain 檔(如 hg19ToHg38.over.chain.gz) |
| CrossMap | BED、VCF、BAM、GFF、bigWig | 支援的格式最多 |
Picard LiftoverVcf | VCF | 同時處理 REF 等位基因在新版本中改變的情況 |
| NCBI Remap | 多種 | 網頁 |
liftOver 不是無損的:部分區域在新版本中被刪除、拆開或反向,會轉換失敗或落到錯誤位置。能重新比對就重新比對;必須轉換時要回報失敗的比例。