企业官网建设流程全解析

TBtools做序列提取，这几个坑你大概率也踩过

做基因家族分析或者比较基因组学的人，应该都绕不开一个工具——TBtools。这个由华南农业大学陈程杰老师开发的工具箱，几乎成了植物生信分析的标配。名字里带个Tools，实际上它早就超出了“小工具”的范畴，从序列提取、比对可视化到基因结构绘制，样样都能干。但要说起日常使用频率最高的功能，序列提取绝对排得上号。

虽然这个功能界面简单，操作也不复杂，但我在实际使用中，包括给实验室的同学改作业式的看操作过程时，还是发现了很多容易绕弯路的地方。比如有人提取出来的序列是空的，有人提取出来的序列根本不是自己想要的基因家族成员，还有人提取完才发现ID对不上。今天就专门把TBtools做序列提取这件事，从思路到实操，再到各种报错和异常，完整拆开讲一遍。

1. 序列提取的核心场景：为什么你绕不开这个功能

先说清楚序列提取在基因家族分析里的位置。很多人一上来就点开工具界面，却不太清楚自己到底在做什么，这会导致参数调错或结果没法用。我习惯先想清楚：我要提取的是什么序列，从哪里提，提到之后拿来干嘛。

1.1 基因家族分析的起点：拿到目标基因的ID列表

基因家族分析（也就是热搜词里那个genefamily analysis）几乎都有一个固定流程：先通过HMMER搜索或者BLAST比对，从全基因组蛋白序列里找到候选基因；然后对这些候选基因进行结构域验证；验证通过之后，你就得到了一份最终的基因ID列表。这个列表可能包含几十个甚至几百个基因ID。

接下来要做的，就是从基因组、CDS、蛋白、上游启动子等不同来源里，把这批基因对应的序列提取出来。这一步是所有后续分析的地基。基因结构图要CDS和基因组的坐标，系统进化树要蛋白序列，启动子分析要上游序列，共线性分析要全部信息。你会发现这些分析的第一步，全是序列提取。

1.2 序列提取的类型：不只是把序列捞出来那么简单

TBtools里和序列提取相关的功能有好几个入口，不同入口解决不同需求，很多人在这里就迷路了。简单整理一下：

• 从序列文件中按ID提取序列：适合从FASTA文件里捞指定的序列，比如从全基因组蛋白文件里按基因ID批量提取指定序列，或者从CDS文件里提取对应序列。
• 从基因组文件中按坐标提取序列：适合给定染色体、起始位置、终止位置，把这一段序列捞出来。比如做启动子分析时，从基因上游2000bp区域提取序列。
• 批量提取上游/下游序列：用TBtools的Fasta Tools里的相关功能，或者Sequence Toolkit里的工具，一键提取基因上游1kb、2kb等区域的序列。
• 从GFF/GTF注释文件中提取序列：结合注释文件的信息，把基因、CDS、外显子、内含子等各种区间的序列提取出来，这个是最灵活的。

1.3 为什么首选TBtools而不是写脚本

你可能要说，这些东西用Python的Biopython、Perl或者Linux命令也能做，为什么非要用TBtools？我的看法是这样的：对于单条序列或少量序列，命令行当然没问题；但面对几十上百条序列，尤其是还要根据GFF文件的各种坐标属性来提取时，临时写脚本的调试成本一点不低。特别是实验室里并非人人都熟悉编程，TBtools把这一步图形化了，而且相当靠谱，还能顺便可视化验证提取出来的序列是否正确。

另外，TBtools自带的ID比对功能很实用，它能直接告诉你输入文件里的ID和序列文件里的ID哪些对得上、哪些对不上。很多提取结果为空的案子，最后查下来都是ID格式不一致导致的，这个功能就能快速排查掉。

2. 核心工具解析：Fasta Tools与Sequence Toolkit到底怎么选

TBtools的菜单看起来很长，但序列提取相关的核心区域，基本集中在Fasta Tools和Sequence Toolkit两个大类下面。这两个工具组我用了很久，功能有重叠，但各自的侧重点不同，搞清楚了就不容易点错。

2.1 Fasta Tools：最常用，也最容易上手

Fasta Tools是我用得最多的一个菜单组。它下面有几个和序列提取直接相关的功能：

• Fasta Extract by ID：最经典的功能，输入一个FASTA文件和一份ID列表，就能提取出对应序列，还能反向提取（即提取不在列表里的序列）。
• Fasta Extract by List：功能和上面类似，但可以用更灵活的方式读取ID列表，操作上略有区别。
• Fasta Merge / Extract Conserved Region：这个偏序列处理，对于单个基因内部的结构域提取或者人工截取区间会用到。

Fasta Extract by ID这个功能，界面就两个框：上面选序列文件（FASTA格式），下面选ID文件（txt格式，每行一个ID）。点Start之后，会弹出一个结果面板，左上角选择是否输出全部还是输出匹配的序列。值得注意的是，默认情况下TBtools会把输入文件里所有序列都列出来，包括没匹配上的，你要在结果栏挑选匹配上的那部分再输出。

2.2 Sequence Toolkit：更灵活，也更容易误操作

Sequence Toolkit是TBtools比较早期的套件，里面有一些Fasta Tools没有的精细化功能。比如：

• Sequence Split by ID
• Sequence Extract by ID with GFF
• Fasta Subsequence

其中Fasta Subsequence就是典型的按坐标提取序列的工具。比如你有一个基因组序列，想提取1号染色体上第10000到20000这段序列，它可以直接做。对于单个区间提取很方便，但如果是批量操作，我更推荐用GXF Sequences Extract，也就是结合GFF注释文件的提取方式。

2.3 GXF Sequences Extract：按注释文件批量提取的王牌工具

这个工具藏在TBtools的Gene Structure和Sequence相关菜单里，具体名字是GXF Sequences Extract。它的最大优势是：能读懂GFF/GTF注释文件，根据基因结构自动判断什么是CDS、什么是UTR、什么是内含子，从而一次性提取所有基因的CDS、蛋白、上游序列等。

操作流程大致是：

• 选择GFF3/GTF注释文件
• 选择对应的基因组FASTA文件
• 勾选要提取的类型（CDS、cDNA、protein、upstream等）
• 设置上游长度（比如2000bp）
• 点击Start，等待结果

这个工具做完之后，输出的文件里不仅包含对应序列，还会自动生成一个序列信息表，详细记录每个序列的来源坐标。我在做基因家族分析时，大部分序列批量提取工作都靠它完成。比脚本稳定，比手动点选高效。

3. 实操演示：从基因ID列表到拿到干净的启动子序列

前面把概念讲清楚了，下面用我最近做的一个基因家族分析实例，把整个提取流程完整走一遍。这个例子里我选的是一种植物的NBS-LRR基因家族，最终要提取每个成员的CDS序列和起始密码子上游2000bp的启动子序列。

3.1 准备输入文件：格式问题直接决定成败

先看输入文件的准备。核心输入有三个：基因组FASTA、GFF注释文件、基因ID列表。

基因组FASTA和GFF文件一般都能从数据库直接下载，这里不展开。关键要聊的是基因ID列表的准备。很多人习惯从Excel里直接复制粘贴基因ID到一个txt文件里，但格式有问题。

正确格式是：每行仅一个基因ID，末尾不要有多余空格或制表符。你看看我的示例列表：

gene00001 gene00012 gene00234 gene02345

如果是从Excel里复制的，强烈建议不要直接粘贴，而是用“选择性粘贴—文本”的方式，或者先粘到记事本里看一下，确认没有隐藏的制表符。我就遇到过ID列表中间夹着看不见的制表符和换行混乱，导致TBtools识别出错的情况。

3.2 用GXF Sequences Extract批量提取CDS和蛋白

打开TBtools，在菜单栏找到GXF Sequences Extract，或者在搜索框里输入GXF。界面出来后，对应选择文件：

• GXF File：GFF3文件
• Genome Sequence：基因组FASTA文件
• Extract Type：勾选CDS和Protein
• 其他选项保持默认

点Start后，会出现一个进度条。这里我要特别提醒一下：如果你的基因组文件比较大，比如植物基因组动辄几百MB甚至上GB，TBtools在解析时可能会卡那么一小会儿，别以为程序崩了，等进度条跑完就行。

抽出来的CDS序列文件里，每条序列的header会自动带着坐标信息，例如：

>gene00001|CDS|chr1:12345-13456(+)

这个信息在后面做基因结构可视化、或者人工核查的时候非常有用。很多工具导出的序列header干净得过分，反而丢失了坐标信息，后面排查问题还得重新回去找，很麻烦。

3.3 上游启动子序列提取：注意方向问题

启动子序列的提取，和CDS提取有个本质区别：它必须考虑基因链的方向。如果基因在正链上，上游2000bp就是基因起始位置往左数2000bp；如果基因在负链上，上游序列从基因末端（也就是转录起点所在的另一侧）往右数2000bp。这是初学者最容易踩的坑。

在GXF Sequences Extract里，如果勾选了Upstream Sequence选项，并设置长度2000，工具会自动处理正负链的方向问题。它会根据GFF里CDS的链方向来判断，这个我实测下来是准的。所以如果你用TBtools提取启动子，建议不要手动去指定坐标区间，直接让工具用注释文件自动判断，比自己算方向靠谱得多。

3.4 用Fasta Extract by ID处理需要自定义的序列

有些情况下，我不需要GXF提取的所有序列，而是只需要其中一部分基因ID的CDS。这时我会先用GXF提取出全基因组所有基因的CDS，然后用Fasta Extract by ID，输入目标ID列表，从CDS总文件里捞出我要的那部分序列。

这个流程看起来多了一步，但好处非常明显：以后如果基因家族成员调整了，比如新增了几个候选基因，我不用重新运行GXF，只需要在Fasta Extract by ID里换一份ID列表就行，效率高很多。

在Fasta Extract by ID的结果面板中，输出的时候注意文件名后缀。TBtools输出文件的默认格式是带.fa后缀的文本，但有时候也能选择输出其他格式。建议用.fa后缀，兼容性最好，后续导入别的工具也不会出事。

4. 常见问题与排查技巧实录

序列提取虽然操作简单，但出问题的时候，经常让人摸不着头脑。我把自己和身边人踩过的坑汇总了一下，整理成下面几个高频问题。

4.1 提取结果为空：先从ID格式排查

这是出现频率最高的问题。提取出来空结果或者结果数量远小于预期，80%以上是ID格式没对上。怎么排查？

先看输入ID文件里有没有隐藏字符。Linux习惯下生成的文本文件，换行符是\n，而Windows记事本生成的可能是\r\n。如果ID文件里末尾带了个\r，在TBtools里就可能匹配不上。解决办法是：在TBtools里用Notepad++或者VS Code把文件重新存为UTF-8无BOM格式，换行符统一为LF。

再看ID是否包含版本号。很多从NCBI下载的序列ID是这样的：

XP_015612345.1

但你的ID列表里写的是：

XP_015612345

就差一个“.1”，结果就是匹配不上。我自己的习惯是，做分析之前先统一ID格式，通常用脚本去掉版本号，保证所有输入文件里的ID风格一致。

还有一种是ID字符大小写的问题。TBtools默认是区分大小写的，这个要特别注意。你自己做ID列表的时候，最好保证和序列文件里的ID完全一致，不要一会儿大写一会儿小写。

4.2 启动子序列方向反了：检查坐标和链信息

启动子提取出来之后，你会得到一条以ATG或者转录起始位点附近为末尾的序列。如果你提取的序列开头是一堆N，或者方向明显不对，大概率是GFF文件里的链信息和你用的文件版本不匹配。

举个例子，有些GFF文件的mRNA特征里标注了链方向，但它的坐标范围没有包含UTR区域，这时候你提取上游序列，实际上可能把基因的一部分编码区也包含进去了。遇到这种情况，我建议先手动可视化检查一下：把基因的坐标放在IGV或者TBtools的Gene Structure View里看一眼，确认基因模型没有问题再提取。

还有一个实操小技巧：提取完启动子后，可以用一个小脚本统计一下提取序列的长度分布。正常情况下，你设置上游2000bp，提取到的序列长度就应该是2000bp左右（有些边界区域可能不够长度）。如果你发现大量序列长度异常，那一定是哪个环节出了问题。

4.3 序列文件过大导致卡顿或内存溢出

有些朋友的基因组序列文件是压缩过的，比如.gz格式。TBtools不支持直接读取压缩文件，要么先解压，要么在Linux里先转换格式。还有的基因组文件里每个染色体的序列名特别长，比如：

>Chr01 genome assembly chromosome 1

这种带空格的header在部分功能里可能会解析异常。建议先用TBtools的Sequence Toolkits里的Sequence Rename功能，把染色体的名字统一整理成干净、简短的名称，比如Chr01、Chr02。

至于内存溢出，我一般建议不要一次处理太大的文件。比如全基因组所有基因的CDS一次性提取，输出文件特别大，后面的工具读取也慢。你完全可以按染色体分开处理，或者分批提取，每次的任务量小一点，稳定性好很多。

4.4 提取结果里出现大量“N”：注意基因组组装质量和参数设置

有朋友提取出序列后，发现序列中间有大段N，看起来特别碍眼。这有两种可能：一是基因组组装质量不好，序列本身就有gap；二是提取的时候，坐标范围超出了contig的实际长度。

如果是后者，通常是GFF文件里的坐标和当前版本的基因组文件不匹配。比如你用的是v1.0的GFF，但基因组序列是v2.0的，两个文件压根就不是一个版本。这种情况千万别强行分析，先找到配套版本的注释文件再操作。

4.5 把提取好的序列导入其他工具后报错

提取出来的序列本身没问题，但导入到MEGA、IQ-TREE、MEME这些工具时报错，这种情况也常见。大部分原因是序列文件里混了非ACGTN字符，比如终止密码子转换成“”符号，或者蛋白序列里有“X”。TBtools提取蛋白序列时，如果基因内部有提前终止的情况，序列里可能带“”。这个在比对建树的时候会引发问题。

解决办法是，TBtools里有一个Sequence Cleaner工具，可以过滤/替换非法字符。我一般会把提取出来的蛋白序列先过一遍这个工具，把“*”去掉或替换成“X”，再做后续分析。

5. 进阶技巧：用TBtools的可视化功能验证提取结果

序列提取完了，很多人的分析就到此为止了。但我的习惯是再花几分钟做一次可视化验证。TBtools自带基因结构可视化功能，能直观看到你提取的序列和基因结构的对应关系，这一步能揪出不少隐蔽问题。

5.1 用Gene Structure View验证CDS提取是否完整

我在做家族分析的时候，提取完CDS，会顺便在TBtools里绘制基因结构图。把GFF和基因ID列表导入Gene Structure View，它会展示每个基因的外显子-内含子结构。这时候可以对照你提取的CDS长度，检查是否有基因的CDS明显偏短或缺失外显子。

有一回我提取一个家族的CDS，发现其中一个基因序列长度只有它注释CDS的一半左右。检查后发现，是GFF文件里该基因的注释本来就存在缺失。如果不做这一步检查，拿这个不完整的序列去建树，整个基因家族的进化分析结果都会被带偏。

5.2 用Sequence Logo或保守结构域分析验证序列正确性

对于蛋白序列，我一般会用MEME Suite（在线版）或者TBtools自带的Motif Analysis功能，确认提取出来的序列包含预期的保守结构域。这相当于一个质量检查：如果NBS-LRR家族的蛋白序列里连NB-ARC结构域都找不到，那肯定是在提取环节出了问题，要么是ID选错了，要么是序列文件对应错了。

这一步成本很低，但收获很大。特别是当你从不同数据库下载文件时，基因ID的表达方式可能千差万别，验证一下能提前挡住很多低级错误。

5.3 一个减缓后续分析压力的习惯：输出前先排序

TBtools提取出来的序列顺序，通常和输入ID列表的顺序一致。但如果你用GXF提取全基因组的序列，再从中筛选，输出顺序可能和你的预期不太一样。我的习惯是，在最后输出之前，先对ID列表做一次排序和去重，确保每条序列只出现一次。

虽然这个操作不影响后续分析的实质结果，但能让你的中间文件更规范，后面画图、建树时也更方便对照。做科研，尤其是做生信，文件管理规范一点，能省下大量重复排查的时间。

6. 写在最后的实操心得

从序列提取这个看似不起眼的小步骤，其实能看出一个人做生信分析的基本功。我见过不少人，把大量精力花在后面的建树、画图上，结果在序列提取环节就埋下了隐患，最后分析结论经不起推敲。

我个人在实际操作中，习惯把“提取序列”当成一个独立的小项目来对待，每次都会检查三样东西：输入文件格式是否正确、ID是否完全对应、输出序列是否做可视化验证。这三步看似多余，却帮我避免了很多返工。

另外还有一个容易被忽略的点：TBtools的版本会持续更新，不同版本的菜单名称和界面布局可能有细微差别。如果你在网上下载的是老版本，有些功能入口可能找不到，建议直接从官方GitHub仓库下载最新版本，省得在看教程时对着不一样的界面怀疑人生。

序列提取这件事，掌握了方法和逻辑，几分钟就能完成一批基因的提取。但如果没有搞清楚原理，只知道点按钮，那出问题时就会很被动。希望这篇内容能让你不仅会操作，也能明白每一处设置背后的原因。后面再用TBtools做基因家族分析，提取序列这一步基本不会再卡你了。