企业官网建设流程全解析

简介：一套面向生物信息学初学者和高校教师的公开课获奖课件，系统讲解常用生物数据库与数据格式，解决入门时‘数据多、格式多、数据库多’难以下手的问题。课件先介绍生物数据库的整体背景，再逐类拆解FastA、FastQ、GFF、GenBank等常见序列与注释格式的书写规范和适用场景，并详细展示GenBank文件的LOCUS、DEFINITION、ACCESSION、FEATURES、ORIGIN等主要段落。随后的数据库模块覆盖NCBI、EBI、DDBJ三大常用序列数据库，以及Gene Ontology、KEGG、InterPro、UCSC基因组浏览器、Ensembl等基因功能与基因组数据库，便于读者理解不同数据库的定位和选用逻辑。课件对FastA描述行与序列行、FastQ四行质量记录、GFF注释列含义、GenBank核心字段均配有示例，便于对照理解，同时通过最新生物数据库列表和典型检索场景，帮助学习者建立从格式识别到数据库选择的分析思路。整套内容共1个pptx文件，压缩包约9.49MB，下载后可直接用于课堂演示、备课或自学；目前已有88人学习下载，适合作为生信课程讲义、组会入门分享或考前复习的参考资料。

1. 一份讲清生物数据库与数据格式的课件：先看它能不能帮你少走弯路

做生信的人最常遇到的不是算法不会写，而是手里一堆数据文件不知道怎么归位：从 NCBI 拉下来一个.gbff，打开全是 LOCUS、FEATURES、ORIGIN，不知道哪个字段对应基因注释；从测序公司拿到.fastq，四行一条记录，里面那个 ASCII 质量值到底怎么换算；想对比一下 UCSC 和 Ensembl 的基因注释，又发现两个数据库的坐标习惯不一样。这份「常用生物数据库和数据格式」公开课获奖课件，本质上是把数据库全景和数据格式这两条线合到一套 PPT 里讲——先讲序列数据存在哪里（NCBI、EBI、DDBJ），再讲注释信息去哪里查（GO、KEGG、InterPro），最后把 FASTA、FASTQ、GenBank、GFF 这几类最常见的格式逐字段拆开。它适合刚入门的生信学生快速建立「数据库—格式—工具」的对应关系，也适合科研助理拿来做备课底稿或者新人培训材料，属于那种看完就能对着 NCBI 页面操作的实用型课件。

2. 从三大核酸库到功能注释库：生物数据库的全景与选库逻辑

拿到一个物种的序列，先去哪个库查，直接决定你后面注释工作的效率。课件把数据库分成序列库、功能库和基因组库三层，这个分层本身就是一套选库逻辑。

2.1 三大核酸序列数据库：NCBI、EBI、DDBJ 的分工与同步

NCBI（美国国家生物技术信息中心）、EBI（欧洲生物信息学中心）和 DDBJ（日本 DNA 数据库）是国际核酸序列数据库联盟的三方成员，日常数据是每日同步的。也就是说，绝大多数情况下你在 NCBI 查得到的序列，在 EBI 和 DDBJ 也有对应条目，三者不是竞争关系，而是互为镜像。实际使用中，我一般遵循「谁的下拉页面顺手就用谁」的原则：NCBI 的 Nucleotide 页面适合按 accession 号精确检索，EBI 的 ENA 适合批量下载，DDBJ 的优势在于亚洲地区的提交和部分特有数据集。

课件里反复强调一个概念：这些数据库的核心单位是记录（record），不是文件。每条记录对应一个唯一的检索号（accession number），比如 U49845，这是序列记录在数据库中的唯一指针，不管你怎么下载、怎么转换格式，这个号不能丢。实际操作中经常有人把文件名改了，结果回头自己都分不清这条序列来自哪条记录，这点后面避坑章节还会展开。

2.2 功能注释数据库：GO、KEGG、InterPro 各管一段

序列库只回答「是什么序列」，功能库回答「这个序列的产物干什么」。课件把功能注释进一步划成三块：

选库逻辑很简单：你想知道基因参与什么通路，KEGG 优先；你想知道蛋白有没有跨膜结构域、锌指结构，InterPro 优先；你想做整体的功能分类和富集统计，GO 是地基。课件里把 InterPro 单独列出来讲是有道理的——它在功能注释流程里经常被当成「黑匣子」，其实它背后聚合了 Pfam、PANTHER、PRINTS 等十几个子库，同一个蛋白在不同子库里比对结果不一致时，InterPro 会给出综合判定，这个综合判定的置信度比单个子库的结果更值得写进论文。

2.3 基因组数据库：UCSC 与 Ensembl 的互补关系

基因组层面，课件聚焦 UCSC Genome Browser 和 Ensembl 两个入口。两者的区别在于：UCSC 以基因组浏览器为核心交互方式，擅长可视化浏览和 Table Browser 批量下载；Ensembl 以注释为核心，对基因结构的注释体系更完整，且提供 BioMart 数据挖掘接口。做比较基因组或者要看某个基因在多个物种里的同源关系，Ensembl 的 Compara 管线是首选；做变异位点可视化、看 ChIP-seq 峰图在基因组上的分布，UCSC 更直接。

需要特别注意的是，这两个数据库对同一基因的坐标注释可能不一致。原因在于它们使用的参考基因组版本和转录本注释版本可能不同，比如 UCSC 习惯用chr1作为染色体命名，Ensembl 可能用1，直接拿两个数据库的坐标混用是翻车高发区。课件里提到的最新生物数据库列表（Nucleic Acids Research 每年发布）实际上是一个很好的导航工具：NAR 每年一月刊会汇总当年所有主流生物数据库的更新情况和访问入口，按分子类型、物种、功能类型分门别类，比搜索引擎更可靠。

3. 把 FASTA、FASTQ、GBFF、GFF 读明白：四种格式的字段与解析要点

格式问题看起来简单，实际上是生信入行最常见的「第一道坎」。课件把这四种格式摊开讲，我按自己的使用经验补上解析层面的细节。

3.1 FASTA：描述行与序列体的基本规则

FASTA 是应用范围最广的序列格式，格式本身极其简单：以>开头的描述行，后面跟着若干行序列字符。课件里强调的「描述行没有统一标准」这点很关键——你可以在>后面写 accession 号，也可以写物种名加基因名，甚至写一段叙述文字，但解析工具通常会取第一个空白字符前的部分作为序列 ID。

# 统计一个 FASTA 文件里有多少条序列 grep -c "^>" example.fasta # 提取每条序列的 ID 和长度，用于快速检查 awk '/^>/{if(seq) print id, length(seq); id=$1; sub("^>", "", id); seq=""} !/^>/{seq=seq$0} END{print id, length(seq)}' example.fasta

提示：grep -c "^>"统计的是以>开头的行数，等于序列条数。awk脚本在遇到新的>行时输出上一条序列的 ID 和长度，这里$1取的是描述行第一个字段，所以描述行里如果写的是>sp|P12345|PROTEIN_NAME，最终提取的 ID 是sp|P12345|PROTEIN_NAME去掉>后的完整内容，而不是截断到|之前——截断逻辑需要额外指定分隔符。

FASTA 格式不限定扩展名，.fa、.fasta、.fna（核酸）、.faa（蛋白）都常见，解析时不依赖扩展名判断内容类型。

3.2 FASTQ：四行结构与质量值编码理解

FASTQ 是测序下机的原始格式，和 FASTA 最大的区别是多了质量值。每四条线构成一条记录：第一行以@开头是序列标识，第二行是碱基序列，第三行以+开头一般重复标识或留空，第四行是质量值字符串，字符数量必须与第二行碱基数量完全一致。

质量值编码是新手最容易懵的地方。第四行的每个 ASCII 字符对应一个 Phred 质量分数，公式是Q = ASCII码 - 偏移量。Illumina 1.8 之后的平台统一使用 Phred+33 编码，也就是 ASCII 33 对应 Q=0；老式的 Solexa 和早期 Illumina 用 Phred+64。判断编码方式的一个办法是看质量值字符的范围：如果出现!（ASCII 33）到5（ASCII 53）这种低位字符，基本就是 Phred+33；如果字符普遍在B（ASCII 66）以上，大概率是 Phred+64。

# 用 Python 快速读一条 FASTQ 并检查质量值范围 from pathlib import Path def read_fastq_record(fh): # 读取四行构成一条完整记录 header = fh.readline().strip() if not header: return None seq = fh.readline().strip() plus = fh.readline().strip() qual = fh.readline().strip() return header, seq, qual with open("sample.fastq", "r") as fh: header, seq, qual = read_fastq_record(fh) ascii_codes = [ord(ch) for ch in qual] print(f"最低字符: {chr(min(ascii_codes))} (ASCII {min(ascii_codes)})") print(f"最高字符: {chr(max(ascii_codes))} (ASCII {max(ascii_codes)})")

提示：这个检查脚本不重复造轮子，它读入第一条记录后取质量值字符串中最小和最大的 ASCII 码。如果最小值在 33 附近，说明是 Phred+33；如果最小值在 64 以上，就要考虑 Phred+64。实际生产中可以直接用fastqc软件包的报告替代这个脚本，但在没有外部工具的环境里，这个检查逻辑能应急。

3.3 GenBank/GBFF：三段式结构与 LOCUS 行逐字段拆解

GenBank 格式（文件扩展名通常为.gb或.gbff）是一种带完整注释的序列格式，比 FASTA 复杂得多。课件把它拆成三部分：头部（描述符）、FEATURES（注释特性）和 ORIGIN（序列本身），每条记录以//结尾。这个三段式的理解非常关键——头部回答「这条记录是什么」，FEATURES 回答「序列上有什么」，ORIGIN 才是真正的序列内容。

LOCUS 行是头部第一行，包含六个关键字段，课件里逐一强调了：

FEATURES 部分用的是Location/Qualifiers语法。比如CDS <1..206表示编码区从第 1 个碱基之后某个位置开始（<表示不完整），到第 206 个碱基结束。每个 CDS 特性下面会跟/codon_start、/product、/translation等限定符——/translation里就是蛋白序列，这是后期提取 CDS 序列的重要来源。

# 从 GenBank 文件里提取所有 CDS 的 product 名称和坐标 grep -E "^ {5}CDS|/product=" example.gb

提示：这里的grep正则利用了 GenBank 缩进规则——特性关键词（CDS、gene、mRNA）固定在五级缩进位置，限定符/product前有 21 个空格。不同来源的文件缩进可能略有差异，稳妥做法是用 BioPython 的SeqIO模块解析，而不是纯文本匹配。纯grep只适合快速浏览，不适合批量提取。

3.4 GFF/GTF：九列基本格式与坐标习惯

GFF（General Feature Format）是基因组注释的交换格式，GFF3 是当前主流版本。每一行表示一个注释特性，共九列：序列名、来源、类型、起始、终止、得分、链、相位、属性。GFF3 和 GTF 的区别集中在第九列——GTF 用键值对（如gene_id "XXX";），GFF3 用分号分隔的标签值对（如ID=gene1;Name=xxx）。

坐标体系是这里最容易翻车的地方：GFF 的起始和终止坐标是1-based 闭合区间，也就是说一个从第 100 个碱基到第 200 个碱基的基因，写成100 200，包括这两个端点，长度是 101。而 SAM/BAM 格式用的是 0-based 半开区间，BED 也一样。做格式转换时这个差异是 bug 高发点，后面避坑章节统一讲。

# 提取 GFF3 中所有注释为 gene 的行，只看前九列 awk -F'\t' '$3=="gene" {print $1, $4, $5, $7, $9}' annotation.gff3

提示：awk用-F'\t'指定制表符分隔，条件$3=="gene"筛选第三列类型为 gene 的记录，输出染色体、起始、终止、链和属性。需要注意的是 GFF 文件必须用制表符分隔，不能用空格，否则解析会错乱，这也是很多人拿 Excel 改 GFF 后文件报废的原因。

4. 从下载到落地：NCBI、Ensembl、UCSC 的检索下载与格式转换实操

光看懂格式不够，得真正把数据拉下来。这一章把课件里提到的三大来源的常用下载路径走一遍。

4.1 从 NCBI 下载指定 accession 的 GenBank 记录

NCBI 的 Nucleotide 数据库支持直接按 accession 号访问，最常见的方式是走 E-utilities 接口。以课件里的酵母基因记录 U49845 为例：

# 用 E-utilities 下载 GenBank 格式记录 curl "https://eutils.ncbi.nlm.nih.gov/entrez/eutils/efetch.fcgi?db=nucleotide&id=U49845&rettype=gb&retmode=text" -o U49845.gb # 下载 FASTA 格式 curl "https://eutils.ncbi.nlm.nih.gov/entrez/eutils/efetch.fcgi?db=nucleotide&id=U49845&rettype=fasta&retmode=text" -o U49845.fa

提示：db=nucleotide指定数据库为核酸序列库，id是 accession 号，rettype控制返回格式——gb是 GenBank，fasta是 FASTA，gbwithparts用于包含分段记录的完整 GenBank。retmode=text表示返回纯文本而不是 XML。批量下载多条序列时，可以用逗号分隔多个 ID，也可以把 ID 列表写入文件配合batch模式使用。

E-utilities 有频率限制，未加 API key 时每秒最多 3 次请求，批量下载建议先注册 NCBI API key 并在请求中加上api_key参数。

4.2 从 Ensembl 下载 GFF3 与配套 FASTA

Ensembl 的下载路径比 NCBI 更规整，所有物种的注释文件都在一个固定目录下，以人类为例：

# 下载人类基因注释 GFF3（Release 最新版本） wget https://ftp.ensembl.org/pub/current_gff3/homo_sapiens/Homo_sapiens.GRCh38. current.gff3.gz # 下载配套的 cDNA 序列 FASTA wget https://ftp.ensembl.org/pub/current_fasta/homo_sapiens/cdna/ Homo_sapiens.GRCh38.cdna.all.fa.gz

提示：下载后先检查current目录下实际的 release 版本号，不同版本对应不同的参考基因组版本。GFF3 和 FASTA 必须使用相同版本，否则会出现转录本 ID 对不上序列的情况。解压后建议用gzip -t验证完整性，再随机抽查几条转录本 ID 是否在 FASTA 中存在。

Ensembl 还提供 BioMart 接口做基因注释批量导出，比直接下载整个 GFF3 更灵活。在 BioMart 页面选择数据集、过滤条件和属性，可以只导出目标基因列表的染色体位置、基因名、转录本数量等信息，适合不想要全基因组注释文件的场景。

4.3 UCSC Table Browser 下载与字段设置

UCSC 的 Table Browser 适用于从 UCSC 下载特定区域的注释数据。核心操作分四步：第一步选择 clade（如 Mammal）、genome（如 Human）和 assembly（如 GRCh38）；第二步选择 group 和 track（比如 RefSeq Genes）；第三步在 region 中输入 chr1:100000-200000 之类的区间，或者直接选 whole genome；第四步在 output format 里选 BED 或 GFF，并决定是否包含 header 行。

# 用 UCSC 的 REST API 下载特定区域序列 curl "https://api.genome.ucsc.edu/getData/sequence?genome=hg38;chrom=chr1;start=100000;end=200000" -o region.fa

提示：UCSC API 的坐标是 0-based 半开区间，start=100000;end=200000实际覆盖的是 chr1 第 100001 到第 200000 个碱基（1-based 计数）。和 GFF 的 1-based 闭合区间对照时，GFF 里的chr1 100000 200000，在 UCSC API 里应写成start=99999;end=200000。这个转换做错一次，整段序列就偏移一个碱基，如果是编码区直接导致移码。

4.4 一个最小可用的格式互转脚本

课件里没有给代码，但实际工作中格式互转是最高频的需求。这里给一个 FASTA 转 GFF 的最小 Python 脚本，用于给一段序列快速生成粗略的 gene 注释行。

#!/usr/bin/env python3 """将单条 FASTA 序列转为最小 GFF3 文件（仅 gene 特征）。""" import sys def fasta_to_gff(fasta_file, gff_file, source="custom"): seq_id = None seq_len = 0 with open(fasta_file, "r") as f, open(gff_file, "w") as g: for line in f: line = line.strip() if not line: continue if line.startswith(">"): # 输出上一条序列的 gene 行 if seq_id and seq_len > 0: # GFF3 坐标是 1-based 闭合区间 g.write(f"{seq_id}\t{source}\tgene\t1\t{seq_len}\t.\t+\t.\tID={seq_id}\n") seq_id = line[1:].split()[0] seq_len = 0 else: seq_len += len(line) if seq_id and seq_len > 0: g.write(f"{seq_id}\t{source}\tgene\t1\t{seq_len}\t.\t+\t.\tID={seq_id}\n") if __name__ == "__main__": fasta_to_gff(sys.argv[1], sys.argv[2])

提示：脚本的核心逻辑是逐行扫描 FASTA，遇到>结束前一条序列并输出 GFF 行，最后在文件结束处补上最后一条序列的注释。seq_id取描述行第一个字段，seq_len累加所有非>行的碱基长度。输出时 GFF 的起始写 1、终止写总长度、链写+。这个脚本只生成 gene 级注释，不识别 CDS 和 exon，真实项目中建议用gffread、AGAT或BioPython做完整转换。

5. 避坑：LOCUS 行、坐标体系与质量值编码最容易翻车的五个场景

这部分内容基本是课件里那些「看着简单，用起来全是问题」的知识点的集合，也是我带新人时反复强调的雷区。

5.1 现象：从 NCBI 下载的 GenBank 文件，用 BioPython 解析报错说LOCUS行长度不足

原因：BioPython 的SeqIO对 LOCUS 行的解析要求相对严格，不同来源的 GenBank 文件在 LOCUS 行缩进和字段间距上有差异。NCBI 官方下载的文件通常规范，但从 SRA 转换出来或第三方站点下载的文件，LOCUS 行可能被截断或字段缺失。 解决：先用文本编辑器打开看 LOCUS 行是否完整包含六个字段。缺失严重时不要手工修，直接回到 NCBI 用 E-utilities 重新下载原始记录，或者用efetch的rettype=gbwithparts获取完整版本。

5.2 现象：GFF 文件在 IGV 里打开后，基因位置整体往右偏移了一个碱基

原因：GFF 是 1-based 闭合区间，而 IGV 内部使用 0-based 半开坐标。例如 GFF 里写100 200，IGV 实际显示的是从第 99 个碱基（0-based）到第 200 个碱基的区域。这个偏移单个基因不明显，但连锁基因一起偏就会导致注释和比对峰图错位。 解决：不需要手动改 GFF，IGV 会自动处理这个转换。真正要注意的是自己写脚本时不要混用两种坐标系——从一个格式转另一个格式时，起点要减 1（GFF 转 BED），终点保持不变。我一般会在脚本里写死这个规则并加注释，防止自己后来忘了。

5.3 现象：FASTQ 质量值用fastqc检查，报出大量bad quality但实际数据质量尚可

原因：质量值编码判断错误。fastqc会自动猜测编码类型，但如果文件里恰好只有极端的质量值字符，可能导致误判为 Phred+64。另一个常见原因是测序平台本身用了老式编码（如 Solexa 的 Phred+64），但下机数据没有做编码转换。 解决：优先用fastqc输出的Encoding字段确认编码方式。如果从!到5之间的字符占比很高，基本是 Phred+33；如果字符集中在B到h之间，考虑 Phred+64。批量处理前先随机抽取 1000 条记录做编码检查，不要对整批数据直接跑质控。

5.4 现象：下载 Ensembl GFF3 和 FASTA 之后，工具报错说转录本 ID 对不上

原因：GFF3 里的转录本 ID 如ENST00000456328.2，但 FASTA 下载的是.cdna.all.fa.gz，版本号可能不一致。常见情况是 GFF3 下载了当前 release，FASTA 下载的是旧 release 缓存，导致部分转录本 ID 在新版本中已经合并或删除。 解决：下载时强制检查 release 版本，GFF3 和 FASTA 必须来自同一个 release 目录。Ensembl 的 FTP 上current是软链接，但下载工具（如wget）有时不会解析软链接，建议先curl看一下current指向的实际版本号，再拼接完整路径下载。

5.5 现象：KEGG 通路富集结果里出现大量「Unknown」条目

原因：基因 ID 类型没有统一。KEGG 富集分析要求输入的基因 ID 是 Entrez Gene ID 或 KEGG ID，如果输入的是 Ensembl Transcript ID，映射过程中大部分条目匹配不上。这个问题的根源是没搞清楚不同数据库 ID 之间的对应关系，而这个对应关系才是注释环节真正的「体力活」。 解决：先用biomart或gprofiler做 ID 转换，再跑富集分析。转换时注意一对多的情况——一个 Ensembl 基因可能对应多个 Entrez ID，建议保留多个映射结果而不是随机取第一个。

6. 把课件变成自己的工作台：一张速查表与批量提取 CDS 的脚本

课件最后讲到的内容可以进一步沉淀成工具。我自己的习惯是每次讲完这个课件就给学员发两张表：一张是数据库入口速查表，一张是格式选择速查表。数据库速查表只写三列——库名、访问入口、典型用途；格式速查表写四列——格式、后缀、核心结构、常见坑。这两张表的价值在于把课件里的知识点变成了「不需要二次思考就能查」的东西，尤其对刚入门的人来说，比反复翻 PPT 效率高得多。

配合速查表，还有一个高频场景值得做一个小工具：从 GenBank 批量提取 CDS 序列。课件里提到的/translation限定符是提取蛋白序列的捷径，但核酸序列需要按 FEATURES 坐标从 ORIGIN 部分截取。下面这个 Python 脚本用 BioPython 实现批量提取。

#!/usr/bin/env python3 """从 GenBank 文件批量提取 CDS 核酸序列与蛋白序列。""" from Bio import SeqIO import sys def extract_cds(genbank_file, output_nuc, output_prot): nuc_handle = open(output_nuc, "w") prot_handle = open(output_prot, "w") for record in SeqIO.parse(genbank_file, "genbank"): for feature in record.features: if feature.type != "CDS": continue # 取 locus_tag 或 protein_id 作为序列名 seq_id = feature.qualifiers.get("protein_id", ["unknown"])[0] # 从原始序列按坐标切片（Python 切片是 0-based 半开区间） if "join" in str(feature.location): nuc_seq = feature.location.extract(record.seq) else: start = feature.location.start end = feature.location.end nuc_seq = record.seq[start:end] # 蛋白序列优先取 translation 限定符，缺失时自行翻译 prot_seq = feature.qualifiers.get("translation", [""])[0] if not prot_seq: prot_seq = str(nuc_seq.translate()) nuc_handle.write(f">{seq_id}\n{nuc_seq}\n") prot_handle.write(f">{seq_id}\n{prot_seq}\n") nuc_handle.close() prot_handle.close() if __name__ == "__main__": extract_cds(sys.argv[1], sys.argv[2], sys.argv[3])

提示：脚本用 BioPython 解析 GenBank 特征表，只取type == "CDS"的特征。核酸序列提取用的是feature.location.extract()方法，这个方法已经处理了正负链和join拼接的情况——比手写坐标切片安全得多，尤其是遇到跨外显子的 CDS。蛋白序列优先用translation限定符，这是 GenBank 记录里注释好的成品序列；如果该字段缺失，再调用nuc_seq.translate()兜底。输出文件名通过命令行参数传入。

这套东西用顺手之后，其实等于把课件的知识全部变成了长期管用的工具。我自己每次拿到新的参考基因组注释，都会先强制走一遍流程：确认数据库版本、检查格式坐标系、抽查 CDS 提取结果、建立本地索引。从那以后，我几乎没再遇到坐标偏移或者 ID 对不上的情况，写论文跑项目都省心不少。希望帮到你——认真过一遍这个课件，值得。

本文还有配套的精品资源，点击获取