人类基因组在三大基因数据库中的不同版本

Posted 2020-06-13

在数据分析中，经常需要下载物种的参考基因组序列，这时有很多数据库可以选择，比如NCBI, Ensembl, UCSC这三个通用的数据库，或者该物种特有的数据库，

比如模式生物拟南芥等有专门的数据库。

在NCBI, Ensembl 和 UCSC中对于同一个物种，编号不统一，在这里整理一下它们之间的关系，以人类基因组为例：

在NCBI中，对于不同的拼装版本，以NCBI Build Number 进行区分，而相同的版本之间又有微小的区别，以Version 表示不同的小版本，

在下面的连接中可以看到人类基因组之前的版本，

比如BUILD.36.1, NCBI Build Number 为36， Version 为1， 从BUILD 37.1 开始，又有了新的命名方式，GRCh37

有个CRC的组织(http://www.ncbi.nlm.nih.gov/projects/genome/assembly/grc/)，该组织是由EBI,NCBI等组织联合起来的学术团体，对基因组的不同拼装版本进行简短而统一的命名，h表示人类，37

表示版本号，对于同一个版本，会有小的修改，此时用p加上编号进行标识，比如Build 37.3 又命名为GRCh37.p5 ，p代表patch, 补丁；

目前比较常用的版本有GRCh37 和CRCh38 两个版本；

在Ensembl 中，有不同的release ,比如

人类基因组从release-76到release-83对应 GRCh38, 从release-55到release-75对应GRCh37

这个从命名方式可以看出来，以release-83为例：

人类基因组第一条染色体命名为 Homo_sapiens.GRCh38.dna.chromosome.1.fa.gz,其中的CRCh38就表示拼装的版本

 

在UCSC中，

hg38对应GRCh38

hg19对应GRCh37

还有一点需要注意的是， Ensembl下载下来的fasta序列, 其标识符中不包含chr，

比如人类基因组1号染色体，在UCSC和NCBI中下载下来的标识符为>chr1,而Ensembl 中为>1