参考基因组介绍

参考基因组（reference genome）

人类基因组计划绘制了人类的基因图谱，得到了30亿个碱基对的序列，投入30亿美元，使用第一代测序技术，将测序得到的序列组装（拼接/装配/Assembly）。这个序列也成为最初的参考基因组。

关于版本

由于测序技术或者其他种种原因，现在并不能获得基因组的全部准确信息，存在某些特殊区域或结构，无法测序或者很难测序。但是，随着测序技术的发展，有一些序列又能被测出，又能多测出一些基因，这些序列就会被加入到参考序列中，这样就会每隔一段时间发布一版人类参考基因组。常见的有NCBI36/hg18、GRCh37/hg19、GRCh38/hg38。至于每个版本都有两个名字，如GRCh37和hg19，可以认为它们是一个版本的不同编号方式，其实基本完全相同，有时会存在染色体号表示的不同（chr1/1）或某些小细节的不同，参考：

1. https://genome.ucsc.edu/cgi-bin/hgGateway
2. http://www.cnblogs.com/xudongliang/p/5189400.html

不同版本之间的大部分序列都是相同的，只是由于不同位置插入或调整了某些序列，导致整体坐标信息发生位移。UCSC的LiftOver或者开源工具CrossMap可以转换不同版本之间坐标。

在千人基因组计划中搜索reference，会得到一些信息，比如Release of 1000 Genomes main project reference genome这里分别给出了参考基因组的EBI和NCBI的下载地址，当然UCSC上面也提供了各种物种的参考序列。如hg38

FASTA

参考序列通常用FASTA格式来保存数据，后缀名为fa或fasta，如下文本文件：

FASTA: chr11.fa

>11 dna:chromosome chromosome:NCBI36:11:1:134452384:1
TTTTCATGTGTTTTTTGGCTGCATAAATGTCTTCTTTTGAGAAGTGTCTGTTCATATCCT
TTGCCCACTTTTTGATGGGGTTGTTTGTTTTTTTCTTGTAAATTTGTTTGGGTTCATTGT
AGATTCCGGATATTAGCACTGGGGCCTGTTGTGGGGTGGGGGGAGGGGGGAGGGATAGCA
TTAGGAGATATACCTAATGTTAAATGATGAGTTAATGGGTGCAGCACACCAGTATGGCAC
ATGTATACATATGTAACTAACCTGTACGTTGTGCACATGTATCCTAAAACTTAAAGTATA
ATTTAAAAAATAAATAAATAAAAATAAAAATAAAAAGGCAAACAAGGACACTATAAGAAA
AGTATGGGCCAACCAATATCCCTGATGAACACAGATACAAAAGTCCTCAAAAAAAAGTAC
TAGCAAGCAGAATTTAACAACATATTAGGAGAACATTTACCATGATAAAGTGGATTTATC
CTCCAGATGTTTCAGCAAACACAAATCAAATGTGATAAACCACATTAACAGAATGAAGGA

>开头的一行为当前序列的标题，上述为11号染色体的序列。另起一行为按顺序排列的序列数据。通常，核酸序列常用的有AGCT和N(aNy)，更详细的，可参考维基百科。下载时，通常为gz格式的压缩文件，如文件hg38.fa.gz包含了hg38所有染色体的参考序列，解压缩后通常约为3.2G，即人类遗传数据的32亿个碱基，每个碱基占1个字节。

常用数据处理

通常需要使用SAMtools的faidx命令和BWA的index命令对FASTA文件建立索引信息文件，便于下游的数据使用和处理。此外，还可能需要一个工具，那就是将全基因组的FASTA文件按染色体分割，得到每个染色体的单个fa文件。这里自制了小工具Split Fasta，当然简单的命令行脚本也可以实现。