生物数据、格式与数据库¶

生物信息学中的“数据”很少只是碱基、氨基酸或一列测量值。一条测序读段来自某次实验和某个样本，一段基因组坐标依附于特定组装版本，一个蛋白质名称可能对应多个物种、基因、剪接异构体和成熟产物，一项功能注释还要说明它来自直接实验、序列推断还是自动传播。文件保存这些对象的某种表示，数据库则进一步保存对象之间的关系、版本、证据和来源。离开这些上下文，即使文件能够被软件读入，分析对象也可能已经发生改变。

公共生物数据库由多种机构和协作网络共同维护，分别承担提交数据归档、参考序列与专家注释建设、多来源坐标整合以及本体、通路或结构化知识维护等任务。理解这些分工，比记忆数据库名称更重要；它决定了一个记录能否作为原始观察、参考对象、功能断言或检索入口来使用。

从样本到数字记录¶

一次组学研究通常同时产生若干层次的对象。研究项目说明总体目的和设计，生物样本记录物种、组织、处理、个体和采样条件，实验记录文库构建、仪器与测定策略，运行记录承载实际产生的读段文件，组装、比对、定量和变异检测则生成派生分析。美国国家生物技术信息中心（National Center for Biotechnology Information，NCBI）的 BioProject 与 BioSample、序列读取档案（Sequence Read Archive，SRA）的 Study—Experiment—Run 关系，以及欧洲核苷酸档案库（European Nucleotide Archive，ENA）的相应对象，共同把研究、样本、实验、运行和文件表示为相互连接而彼此有别的记录。¹

在这些对象之上，还会形成参考序列、基因模型、蛋白质条目、结构模型、变异断言和功能注释。它们与原始观测之间的距离不同，维护方式也不同。数据库因而可以按主要职责分成几类，但同一资源可能兼有多种职责。

“原始”记录通常已经经过测序平台的碱基识别、档案库的格式校验，有时还包括标准化副本；“人工审校”记录也可以包含计算推断或传播字段。记录中的提交者、处理过程、引用、证据代码和交叉引用共同说明具体字段的来源与证据强度。

标识符、版本与坐标¶

登录号与显示名称¶

稳定标识符用于指向数字对象，显示名称则方便人阅读。基因符号、蛋白名称和网页标题可能重名或改名，唯一身份需要登录号及其适用版本。国际核酸序列数据库合作组织（International Nucleotide Sequence Database Collaboration，INSDC）在核酸序列中采用 accession.version：小数点前的登录号标识记录系列，序列发生改变时小数点后的版本号递增；只写登录号通常会指向当前版本。基因组组装也有独立登录号，例如提交型 GenBank 组装以 GCA_ 开头，RefSeq 组装以 GCF_ 开头，两者即使配对，版本号也可能不同。²

不同资源按照各自的数据模型定义“稳定”。Ensembl 尽量让基因、转录本、蛋白和外显子标识符（identifier，ID）跨发布版延续，但基因模型发生根本变化时旧 ID 仍可能退役；UniProtKB 的主登录号适合长期引用，而 UniRef 聚类每次发布都会重新计算，代表序列改变时聚类 ID 也可能改变。稳定标识符可以减少身份漂移，生物学模型和数据库规则的演化则由版本与历史映射继续记录。³

引用记录时应保留能够重建对象的最小身份集合：数据库名称、登录号及版本、数据库发布版或访问日期，以及必要的组装、样本和分析登录号。下载整个集合时，还要记录查询式、筛选条件、返回字段和文件校验和。网页链接或基因符号需要与这些身份字段配合，才能在数月后找回同一对象。

基因组坐标的参照系¶

基因组坐标至少由物种、组装版本、序列区域、区间起止、链方向和坐标约定共同定义。chr1:100-200 只有同时说明 GRCh37 或 GRCh38 等组装及端点约定，才构成完整的数据对象。BED 通常使用从 0 开始、左闭右开的区间，GFF3 和许多浏览器显示采用从 1 开始、两端包含的区间；VCF 的 POS 也是从 1 开始的位置，但结构变异还需要结合 END、符号等位基因和断点语义解读。跨格式换算需要处理坐标原点和端点约定，跨组装转换还涉及组装差异、间隙、重复序列和无法映射的区段。⁴

序列本身也可以成为身份依据。全球基因组学与健康联盟（Global Alliance for Genomics and Health，GA4GH）的 refget 用由序列内容计算的标识符取得参考序列，能发现“名称相同、内容不同”或“名称不同、内容相同”的情况。内容寻址负责确认序列本体，物种、组装角色和生物学注释则由常规元数据补充。⁵

文件格式及其语义边界¶

文件格式是一份关于字段、顺序、数据类型和缺失值的约定。扩展名只提示可能的格式，文件是否符合规范还需要实际校验；同一格式也可能有不同版本、可选标签和实现差异。可靠流程会在读入时校验格式，在输出中保留版本声明、字段定义和参考对象。

SAM／BAM／CRAM、VCF／BCF 和 BED 的现行规范由 GA4GH 大规模基因组学工作组维护；GFF3 的规范由 Sequence Ontology 社区维护。FASTQ 则来自长期形成的事实标准，历史上存在多种质量编码，因此档案库和分析软件仍需明确实现约定。PDBx/mmCIF 自 2014 年起成为 PDB 档案的标准格式，旧式定宽 PDB 格式不再扩展，且无法完整表示一些大型结构。⁶⁷⁸

大数据格式常与压缩和索引共同工作。bgzip 压缩的 VCF 可由 tabix 或 CSI 按区间访问，BAM 常配 BAI／CSI，CRAM 需要参考序列身份能够被可靠解析。索引是依赖主体文件的派生加速结构；移动、重命名或更新主体文件后，应重新检查索引和校验和是否仍匹配。

核酸档案与基因组资源¶

INSDC 与参考序列¶

INSDC 把日本 DNA 数据库（DNA Data Bank of Japan，DDBJ）、ENA 和 NCBI 的核酸档案连接成共同的公共记录体系。成员接收原始读段、样本和项目元数据、组装序列、功能注释及派生分析，分配可引用的登录号，并定期交换公开数据与更新。GenBank、ENA 和 DDBJ 是共享记录的协作归档入口，三处命中通常对应同一项公共记录。它们保存提交者记录和科学史，也可能保留冗余、错误或后来被修订的注释。⁹

RefSeq 在 INSDC 公开序列之上建立参考集合，使用自动流程、协作注释和不同程度的人工审校，提供基因组、转录本和蛋白质的整合记录。“非冗余”和“参考”描述资源的生产策略；一个物种可以有多条参考序列，不同 RefSeq 条目的人工审阅程度也有差异。分析时应说明使用的是提交型 GCA_ 组装还是 RefSeq GCF_ 组装，并记录具体版本。¹⁰

BioProject 描述一个研究计划，BioSample 描述被测的生物材料，SRA／ENA 的实验与运行记录再连接文库和文件。把这些登录号共同保存下来，可以区分生物重复、技术重复、同一样本的不同测定，以及一个项目中多种数据类型。基因组调查序列（genome survey sequence，GSS）、表达序列标签（expressed sequence tag，EST）和 dbEST 等历史分区记录了早期基因组探查序列和表达序列标签。现代表达分析主要使用参考基因组、转录本集合和高通量表达档案，这些历史分区则用于追溯早期基因模型、互补 DNA（complementary DNA，cDNA）克隆和方法史。

组装、注释与坐标浏览¶

Ensembl、加州大学圣克鲁兹分校基因组浏览器（University of California, Santa Cruz Genome Browser，UCSC Genome Browser）和 NCBI Genome Data Viewer 以基因组组装为坐标骨架，整合基因模型、转录本、变异、同源关系、调控和比较基因组信息。UCSC 以轨道叠加和区间浏览见长，Table Browser、数据下载和 track hub 支持批量提取与自定义数据；Ensembl 还提供稳定 ID 历史、BioMart、表述性状态转移应用程序编程接口（Representational State Transfer application programming interface，REST API）和发布版档案。浏览器把多来源证据并置，每条轨道的来源、生成方法、发布日期和组装决定其适用范围。¹¹

UniGene 曾在参考基因组尚不充分时把 EST 和转录本按基因聚类，也曾用于近似表达谱和 cDNA 克隆索引。NCBI 已于 2019 年关闭其网页界面；保留下来的构建服务于历史追溯，现代基因与转录本检索则转向 NCBI Gene、RefSeq、Ensembl 及相应表达档案。Ensembl Genomes、SRS、Sequin 等历史入口同样可能已经改名、退役或改变功能。登录号、发布版档案和正式 API 比网站点击路径更适合长期记录。¹²

蛋白质、结构与功能知识系统¶

UniProt 将蛋白质序列的归档、功能注释和去冗余检索分成不同资源。UniProtKB 是功能知识库，其中 Swiss-Prot 部分由人工审校，TrEMBL 部分以计算注释为主并等待进一步审校；UniParc 按精确氨基酸序列去冗余，为每条独特序列分配 UniParc 标识符（UniParc identifier，UPI），并保存它在来源数据库中的出现历史；UniRef100、UniRef90 和 UniRef50 则按相同性或相似性与覆盖度聚类，以减少序列搜索空间。聚类成员共享序列相似性，具体功能仍须逐成员核验；UniRef 的代表和聚类 ID 也可能随发布版改变。Proteomes 资源把蛋白集合连接到具体基因组组装，一个物种可以有多个 proteome ID。¹³

世界蛋白质数据库（Worldwide Protein Data Bank，wwPDB）由 RCSB PDB、PDBe、PDBj 等伙伴共同管理同一套实验大分子结构档案。一个蛋白质数据库（Protein Data Bank，PDB）条目包含坐标，还包含实验方法、样品实体、配体、装配体、质量指标和修订历史。CATH、SCOP 等资源在结构档案上建立结构域或折叠分类，SWISS-MODEL Repository 等保存计算模型。结构档案、结构分类和计算模型分别对应不同的数据对象与证据来源；具体的结构质量、预测置信度和结构比较将在结构生物信息学展开。

基因本体（Gene Ontology，GO）由分子功能、生物学过程和细胞组分三个相互关联的本体组成，GO 注释则是“某个基因产物以某种关系关联某个 GO 类”的带引用和证据代码断言。因此，GO 同时提供本体和注释知识库；注释缺失表示当前记录中尚无相应断言，功能存在与否仍需其他证据判断。InterPro 整合蛋白质家族、结构域和功能位点的签名模型，京都基因与基因组百科全书（Kyoto Encyclopedia of Genes and Genomes，KEGG）组织基因、KEGG ORTHOLOGY（KO）、通路、反应、化合物、疾病和药物等对象。术语命中、模型匹配和通路着色分别提供不同强度的功能线索，机制结论还需要实验或其他独立证据。¹⁴

表达、变异与表型数据¶

基因表达综合数据库（Gene Expression Omnibus，GEO）保存研究者提交的微阵列、测序及其他高通量功能基因组数据。其 Platform、Sample 和 Series 分别描述测量平台、样本记录和相关样本构成的研究；由 GEO 团队整理的 DataSet 是其中一个子集，因此部分 GEO Series（GSE）具有对应的 GEO DataSet（GDS）。欧洲原 ArrayExpress 网页界面已于 2022 年关闭，数据和登录号迁入 BioStudies 的 ArrayExpress collection；高通量测序研究的原始读段通常再连接到 ENA，而处理后矩阵、样本注释和方案保留在研究级记录中。¹⁵

变异资源按对象和用途分工。单核苷酸多态性数据库（database of Single Nucleotide Polymorphisms，dbSNP）聚合短变异及其提交记录，dbVar 主要保存人类结构变异研究和断言，ClinVar 归档提交者对人类变异—疾病或药物反应关系的分类、证据和修订历史。ClinVar 可以同时呈现一致与冲突的断言，NCBI 工作人员负责数据模型和记录质量，临床分类本身来自提交者。在线人类孟德尔遗传数据库（Online Mendelian Inheritance in Man，OMIM）主要是基因与遗传表型的文献型知识资源，国际人类基因组单体型图计划（International HapMap Project，HapMap）则是具有重要历史意义的群体单倍型项目；两者用于文献知识和群体参考，而通用变异归档由 dbSNP、dbVar 等资源承担。¹⁶

miRBase、RNAcentral、DNA 元件百科全书（Encyclopedia of DNA Elements，ENCODE）、Expression Atlas、PRIDE、MetaboLights 等资源分别服务于非编码 RNA、调控元件、表达汇总、蛋白质组和代谢组。SMD、CGED、BodyMap、HGBASE、CANSITE、SPAD、ProNet 等历史资源名称反映了专业数据库的发展，其中许多入口已经关闭、合并或改变维护范围。检索历史文献时可以用原名称追溯；建立新流程时则应确认当前维护者、最后发布版、数据许可和可替代的公共档案。

检索、批量访问与标识符映射¶

数据库检索首先要把生物学问题转换成对象约束。例如寻找“人 TP53”时，应区分基因、某个转录本、某条蛋白质序列、一个基因组区间、一个变异或一项功能断言，并指定物种与参考版本。关键词适合发现候选记录，登录号适合取得已知对象，序列相似性搜索适合寻找相关序列，坐标查询适合提取与某个组装区间相交的注释。BLAST、BLAT 和 FASTA 属于序列搜索算法，它们的评分与统计边界将在序列比对与数据库搜索说明。

网页界面适合探索单条记录，重复任务和大规模下载则应使用正式 API、批量导出或版本化数据发布。NCBI 的 Entrez 与 E-utilities、欧洲分子生物学实验室欧洲生物信息学研究所（European Bioinformatics Institute，EMBL-EBI）各资源的 REST API、UniProt REST、Ensembl REST／BioMart、UCSC Table Browser 和下载服务器都能返回结构化结果。调用时应遵守速率限制和服务政策，分页获取完整结果，并把请求参数、返回格式和失败重试写进分析记录；手工复制网页表格容易截断，且难以重现。¹⁷

标识符映射（identifier mapping，ID mapping）是有生物学含义的关系查询。一个基因可以对应多个转录本和蛋白异构体，一条蛋白序列可以出现在多个物种或组装中，旧 ID 可能拆分、合并或退役。映射结果应保留来源数据库、目标数据库、物种、发布版、关系类型和一对多结果，并在后续过滤前报告有多少输入未映射、映射为多个对象或发生版本变化。

一个可复现的数据子集至少应留下以下信息：

1. 研究对象、物种、样本和基因组组装；
2. 数据库及发布版、登录号版本或访问日期；
3. 完整查询式、筛选条件、返回字段和排序／分页方式；
4. 下载 URL 或 API endpoint、软件版本和必要的身份验证范围；
5. 文件大小、校验和、压缩与索引方式；
6. ID 映射表、排除记录及其理由。

这些内容将在命令行、工作流与可重复研究中进一步转化为脚本、环境和工作流记录。

FAIR、开放与受控访问¶

可查找、可访问、可互操作与可复用（Findable, Accessible, Interoperable and Reusable，FAIR）原则强调全局唯一标识符、丰富且可检索的元数据、标准协议、共享的知识表示、明确许可和来源。“可访问”允许访问协议包含认证和授权；敏感数据即使受控，只要元数据可发现、申请条件清晰、获准后能以标准方式取得，仍可具有较高的 FAIR 程度。¹⁸

INSDC 公开档案要求公开数据可自由访问，因此不接收必须受控访问的基因组数据。涉及可识别的人类基因型、表型和临床资料时，应依据知情同意和数据使用条件进入 dbGaP、EGA 等受控资源；研究者需提交用途明确的数据访问申请，并在获准的环境和期限内使用。公开摘要、数据字典和研究级元数据不能被反向用于规避个体数据的访问限制。¹⁹

可复用还包括许可、伦理和群体语境。技术上的可下载性与再分发许可属于不同条件；群体数据集获批用于疾病研究时，其同意范围还可能限制身份推断、商业用途或与其他数据链接。使用数据库前应同时阅读资源许可、提交者声明、同意范围和引用要求，并在发表时引用数据集登录号、具体版本及数据库的推荐文献，使数据生产者和维护者都能获得可追踪的贡献记录。

数据库记录的证据边界¶

数据库把分散证据集中到可检索的记录中，同时保留其不完整和冲突。提交型档案中的记录可能含错误；自动注释会传播训练数据和同源推断的偏差；人工审校受文献范围与时间限制；同一基因在不同组装、注释管线和物种中可能具有不同边界。检索结果为空既可能反映对象确实缺失，也可能来自名称不一致、物种或版本错误、权限限制、索引延迟或查询条件过严。

阅读一条记录时，可以依次检查其身份、对象、来源和结论：登录号及版本指向什么；它代表样本、序列、模型还是断言；字段来自提交、计算还是审校；引用和证据代码支持到哪一层；与其他记录的交叉引用是一一对应、近似映射还是仅为相关链接。只有把这些问题回答清楚，数据库结果才从“搜索命中”转化为可用于分析和论证的证据。

参考资料与延伸阅读¶

• INSDC. About the International Nucleotide Sequence Database Collaboration.
• NCBI. The NCBI Handbook；Sequence Identifiers.
• EMBL-EBI Training. Introductory bioinformatics pathway；EMBL-EBI, programmatically.
• UniProt Consortium. UniProtKB、UniRef 与 UniParc 文档。
• Gene Ontology Consortium. Gene Ontology overview；Introduction to GO annotations.
• GA4GH Large Scale Genomics Work Stream. SAM/BAM, CRAM, VCF/BCF and BED specifications.
• The Sequence Ontology. GFF3 specification.
• wwPDB. PDBx/mmCIF General FAQ.
• Wilkinson MD, et al. The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data. 2016;3:160018.