生信基础知识-RefSeq

为什么要了解 RefSeq？

1.提高分析的可靠性：RefSeq 提供经过专家审核的高质量数据，能确保你的分析更加准确、可靠。
2.避免数据冗余和错误：与 GenBank 这样的数据库相比，RefSeq 数据库减少了重复和可能存在错误的序列，避免了冗余数据对分析结果的干扰。
3.标准化的基因注释：RefSeq 的基因命名和注释遵循官方标准，保证了你在分析时使用的是一致且权威的基因信息。
4.广泛应用于多种分析场景：无论是基因组注释、RNA-seq 分析、突变检测还是进化研究，RefSeq 都是关键的数据资源。
总的来说，了解 RefSeq 能让你在进行日常生信分析时，更加准确地获取和使用数据，从而得出更可信的研究结果。如果你对 RefSeq 的具体操作或某个分析场景有兴趣，可以告诉我，我可以继续为你详细讲解如何应用它。

---

1. 了解 RefSeq 的基本概念
2. 理解其主要特点（非冗余、校正、覆盖广泛）
3. 区别 RefSeq 与 GenBank
4. 熟悉 RefSeq 序列编号前缀
5. 掌握 RefSeq 记录的特性
6. 应用于基因组注释和其他分析场景，提升数据分析的可靠性

参考序列（RefSeq） 是由 NCBI（美国国家生物技术信息中心）提供的一组经过校正的标准序列数据库。它包含了来自多种生物的染色体、基因组、RNA、蛋白质等序列信息。RefSeq的目标是提供一个非冗余（没有重复序列）且高质量的基因组、基因、蛋白质等数据资源，供科学家进行医学、基因功能、和比较基因组研究。

RefSeq 的主要特点：

1. 非冗余：每个基因或基因组位置通常会选取一个标准序列，避免重复。
2. 校正的序列：所有的序列都经过专家审查和校正，提供更高的可信度。
3. 覆盖广泛：它不仅包括人类的基因序列，还包括细菌、病毒等其他生物的序列。
4. 序列编号前缀：不同类型的序列有不同的编号前缀，比如 NM 表示标准 mRNA 序列，NR 表示非编码 RNA 序列，NP 表示蛋白序列等。

这些特点使得 RefSeq 数据库成为了研究人员获取标准和可靠基因信息的重要工具。

接下来要介绍的是 RefSeq 和 GenBank 的区别：

1. RefSeq 是经过 NCBI 校正后的标准数据库，主要提供一个具有代表性的参考序列。
2. GenBank 是一个开放的数据库，研究者和公司都可以提交自己的序列，这就导致可能有重复或不太精确的序列。

RefSeq 序列编号前缀：

1. NM_：代表标准 mRNA 序列。这是基因的转录产物，经过 NCBI 校正，是成熟的 mRNA 序列。
2. XM_：代表预测的 mRNA 序列。基于基因组注释的预测序列，可能还未经实验验证。
3. NP_：代表标准蛋白质序列。它是从成熟的 mRNA 翻译得到的蛋白序列。
4. XP_：代表预测的蛋白质序列。基于基因组注释预测的蛋白质，可能还未经实验验证。
5. NR_：代表非编码 RNA 序列。包括转录本不编码蛋白质的 RNA 序列，例如结构 RNA。
6. XR_：代表预测的非编码 RNA 序列。基于基因组注释的预测 RNA 序列。
7. NC_：代表完整的基因组分子序列，适用于整个基因组、染色体等。
8. NG_：代表不完整的基因组区域，通常标记的是部分基因组区域或假基因。
9. YP_：标记的是细菌、病毒或线粒体的蛋白产物，不涉及转录过程。
10. ZP_：表示通过自动注释得到的蛋白质序列，常见于原核生物中。

RefSeq 记录的特性：

1. Accession 号：RefSeq 记录的 Accession 号是唯一的，并且由两个字母加下划线（如 NM_ 或 NP_）开头。这个编号用来唯一标识一个特定的序列。

2. Comment 区域：每个 RefSeq 记录都有一个注释区域（Comment），其中会显示序列的来源以及一些有用的背景信息。

3. 正式命名：RefSeq 数据库中的基因符号使用的是官方命名系统（由各个物种的基因命名委员会提供）。这与 GenBank 有所不同，因为 GenBank 中的基因符号可能是由提交者自行命名，未必符合官方标准。

4. BLAST 和 Entrez 搜索中的 RefSeq：在 BLAST（序列比对工具）结果和 Entrez（NCBI 的检索工具）搜索结果中，你可以通过序列编号前的 “ref” 来快速识别 RefSeq 数据。比如：

   gi|4557284|ref|NM_000646.1|
   

   这里的 “ref” 表示这是来自参考序列数据库的序列。

这些特性保证了 RefSeq 数据的权威性和一致性，并且便于研究人员在使用 BLAST 或其他工具时快速识别可信的参考序列。