Skip to content

基因體學 › 參考資料 › 參考基因組

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
GRCh37hg192009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
GRCh38hg382013(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-CHM13hs12022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 ​

UCSCEnsemblNCBI (RefSeq)
染色體名稱chr1…chrX、chrY、chrM1…X、Y、MTNC_000001.11…
對應註解GENCODE、refGene / ncbiRefSeqEnsembl GTFRefSeq GFF / GTF
下載hgdownloadEnsembl FTPNCBI 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 / patchRNA-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 liftOverBED、座標網頁或命令列,需要 chain 檔(如 hg19ToHg38.over.chain.gz)
CrossMapBED、VCF、BAM、GFF、bigWig支援的格式最多
Picard LiftoverVcfVCF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。

相關:FASTA 格式、基因註解、比對品質與 alt contig。