企业官网建设流程全解析

一直做植物比较基因组和基因家族分析的朋友，应该都遇到过这种场面：从某个数据库里下载了一套“参考基因组”，跑完基因家族鉴定，结果里面多出几百个“没头没尾”的碎片基因模型；或者跨物种比较时，同一个物种换了两个数据源，基因数量就差出去三分之一，下游结论直接失真。这几年我整理植物基因组数据时，最常被问的问题就是“高质量植物基因组到底去哪找”。我的答案基本固定：先过一遍 Ensembl Plants。

Ensembl Plants 是 Ensembl 旗下的植物基因组分支，专门做已发表植物基因组的统一注释和展示。它和 NCBI 那种“仓库式”数据库最大的区别在于注释的规整度，尤其适合做跨物种比较、基因家族筛选、系统发育重建这类对注释一致性要求极高的任务。这篇就把我实际检索、筛选、下载、踩坑的完整流程写出来，送给准备做植物组学分析、以及不想被低质量注释坑掉三个月的你。

1. 跨物种比较为什么要首选 Ensembl Plants

很多人上手第一个基因组数据，习惯直接去 NCBI 搜索然后点下载。NCBI 确实全，但对植物基因组的处理逻辑是“收录优先于整理”：谁能提交基因组，谁就能附带自己的注释版本。结果就是同一套下游分析里，A 物种用 RefSeq 注释，B 物种用 Ensembl 注释，两者基因模型的构建标准和证据来源完全不同——最后统计出来的基因家族扩张收缩，很可能是注释系统的差异，而不是真实的生物学信号。

Ensembl Plants 走的是另一条路：它把已发表的基因组根据统一的注释流程重新跑一遍。这个流程会整合转录组证据、同源蛋白比对、可变剪切模型等，让每个物种的基因结构都被相同规则修剪过。换句话说，Ensembl Plants 不追求“收录最快”，而是追求“拉齐标准”。

1.1 Ensembl Plants 到底比 RefSeq 强在哪

拿我做过的水稻和玉米比较举例。从 NCBI RefSeq 下载的水稻注释，染色体编号有的是 Chr1，有的是 chr01，有的直接给 scaffold；而 Ensembl Plants 里，染色体命名统一，基因 ID 的 prefix 一致，GFF3 的格式也走同一套规范。看起来是小事，真正跑起 bedtools、samtools 的时候，这些不一致能让你多调一周的 bug。

注释可比性就更明显了。Ensembl Plants 的注释多经过“证据对齐”步骤：每个基因模型都要有转录本、蛋白同源位点或剪接证据支撑。这相当于所有物种都用了同一套质检标准，跨物种比较时自然更公平。

1.2 和 Phytozome、PLAZA 等植物数据库的分工差异

很多新手会问我：Phytozome 不也挺好吗？它确实好，但覆盖面主要偏向模式植物和特定作物家族，更新节奏也更慢。PLAZA 侧重基因家族与直系同源关系的注释，适合做精细的同源分析，但拿原始序列和泛基因组数据就没有 Ensembl Plants 方便。

我的分工习惯是：

所以我的结论是：如果你想做“一个物种仔细看看”，NCBI 没问题；如果你要做“多个物种横向比”，先去 Ensembl Plants。

2. 植物基因组高不高质，先看这四个硬指标

Ensembl Plants 收录的也不全是高质量基因组。它像个大超市，货架上有精品也有临期品。关键在于你自己学会看“配料表”。我在筛选时基本只看四个维度。

2.1 组装层级：从 Contig 到 Chromosome 的差距

点进一个物种的 Ensembl Plants 页面，先看 assembly description。如果组装水平停在 contig 或 scaffold，说明这份基因组还是碎片化状态，连染色体都没拼完整。这类数据做基因家族鉴定还行，做共线性、结构变异、着丝粒区域分析就会非常痛苦。

我一般这样分级：

• Chromosome-level：染色体级别组装，基因上下游顺排关系可靠，共线性分析可用。
• Scaffold-level：有部分排序和方向，但存在大量 gap，做基因间距、顺式元件分析要打折。
• Contig-level：碎成片段，只适合做基因内容统计，不适合做位置依赖的分析。

如果页面里写着 assembly unit 是 chromosomes，但没有注明染色体数量是否与核型对应，也要留个心眼。最好是常见核型数量，比如禾本科大多能对应到一个明确数字。对不上就查原始论文。

2.2 BUSCO 与注释完整性：比 N50 更值得关注

很多只看 N50 的人很容易被数值骗到。N50 只能说明组装连续了一半，但组装里有大量 gap 时，N50 依然可能虚高。我更看重三重验证：

第一，BUSCO 完整度。植物一般用viridiplantae_odb10库评估。完整率 95% 以上算优质；90% 到 95% 能接受；低于 90%，我做基因家族分析之前会犹豫。BUSCO 里的 fragmented 比例也很关键——如果超过 5%，说明组装/注释阶段把很多基因劈开了，下游会把一个基因商成三个假基因。

第二，注释基因数与近缘物种对比。比如某个属常见模式物种注释出 25000 个基因，你筛到的这个却只有 15000 个，大概率不是真实差异，而是注释丢失。想更严格可以查注释时用了多少转录组证据，如果完全没有 RNA-seq 支撑，基因结构预测的可信度自然有限。

第三，重复序列注释。Ensembl Plants 对 TE 区域注释得比较完整，一套高质量基因组通常需要标注一定比例的重复序列。如果 repeat 区域几乎为零，说明注释流程把大量序列问题掩盖了。

这三关过了，这个基因组才进得了我的候选清单。

3. 检索与筛选实操：从物种页面到候选清单

理论说完了，进入实际点鼠标环节。下面是我每次拿到新物种需求时的完整检索流程。

3.1 Ensembl Plants 页面里那些数字怎么读

进官网之后，直接搜索物种拉丁名。比如要番茄就搜Solanum lycopersicum，结果页通常会列出多个 assembly 版本。重点看几个字段：

• Assembly：默认版本名，比如 SL4.0、TAIR10、IRGSP-1.0。
• Gene build：注释版本，这行信息特别容易被忽略。同一个 assembly 可以有多个 annotation 版本，老版本注释重建得不好，基因数可能少一截。
• Base count / Golden path length：基因组总长，和 k-mer 估算出的基因组大小比对一下，明显偏小说明组装不完整。
• Gene count：基因模型数，和同属已发表数据横向对比。
• BUSCO 报告：新版 Ensembl Plants 部分物种会直接展示 BUSCO 评分，没有的话就自己去官网下序列重跑。

如果页面右上方显示 "Genome assembly: SL4.0"，旁边可能还有日子。这不代表论文发表时间，只代表这个 assembly 被 Ensembl 收录的时间。

3.2 我的筛选用例：一份“够用”的基因组清单长什么样

假设我要做禾本科六个物种的基因家族扩张收缩分析。我不会只因为某物种是“明星物种”就用手头现成的版本，我会建一个表，逐项打分：

这个环节筛掉一批“参考”但注释粗糙的版本。刚开始我嫌麻烦，后来发现这一步省下的时间，远大于后面清洗数据浪费的时间。

提示：筛选时不要只看总分，也不要用同一个 gene count 阈值卡所有物种。不同谱系之间真实基因数差异很大，重点是看它和同谱系高质量物种的差距有多大。

4. 数据下载：别只盯着 Download 按钮

页面上的下载按钮适合拿单基因序列，但做批量和全基因组分析，必须走 FTP。Ensembl Plants 的 FTP 结构其实非常规律，建议直接记路径模式。

4.1 FTP 目录结构速查

Ensembl Plants 的根路径是ftp.ensemblgenomes.org/pub/plants/release-XX。注意这个 release 编号，它属于 Ensembl Genomes 的独立发布周期，和执行中的主 Ensembl release 编号不是一回事。比如主 Ensembl 跑了 110 期，这边可能是 60 期，不要反而满世界找“release-110/plants”。

下面是我最常用的三段路径：

• DNA 序列：

http://ftp.ensemblgenomes.org/pub/plants/release-XX/fasta/species_name/dna/

• 蛋白序列：

http://ftp.ensemblgenomes.org/pub/plants/release-XX/fasta/species_name/pep/

• 注释文件：

http://ftp.ensemblgenomes.org/pub/plants/release-XX/gff3/species_name/

物种名这里要用“属名小写+种加词小写”，中间一个下划线，比如solanum_lycopersicum。

4.2 序列与注释文件怎么配对

GFF3 目录下通常有多个版本文件，命名里带有 assembly 版本号，像Solanum_lycopersicum.SL4.0.xx.gff3.gz。下载前一定要确认它对应的 assembly 和你要的 DNA 文件一致。最稳的做法是，从 FTP 的 species 主页读取 README 或 文档中的对应表。

如果你同时下载了 GTF 和 GFF3，注意两者基因模型计数有时对不上。原因是 GTF 通常只包含 mRNA 和 CDS 层级，而 GFF3 可能包含更多基因区域特征。做基因结构分析我用 GFF3；做转录本定量或把他人的 RNA-seq 管道直接套过来时，我可以从 GTF 转成 SAF 格式更省事。

还有一个小技巧：做比较基因组时，去下载dna/目录下以toplevel结尾的 FASTA——它包含所有 scaffold 和 chromosome 序列，是大多数比对工具的标准输入。而那些sm.fa或softmasked.fa，视分析目的选用；重复序列比较多时要留意 softmasked 版本对短读比对的影响。

4.3 从 Ensembl Plants 官网反查 NCBI GCA 编号

有时候我在 Ensembl Plants 下好了数据，但论文方法部分要求注明对应的 GenBank 版本。这时候怎么反查？

进入物种的 "Genome assembly" 页面，找到 “Assembly accession” 或 “Source database”。通常 Ensembl 会在 assembly 描述里写明对应的 GCA 编号，比如某个小麦版本对应 GCA_900235115 之类的。如果页面没直接给出，就下它的 assembly report 文件，文件里会列出 raw sequence 的 GenBank accession。

这个反查过程特别重要，因为很多期刊审稿人会要求原始终止序列编号。别等我到投稿那一步才发现版本对不上，提前把 GCA 编号记在你的 README 里，能救论文于水火。

5. 不同分析任务对应不同“够用”标准

很多人把“高质量基因组”当成一个固定标签，其实不是。对某一类分析来说足够“高质”的数据，换一个分析可能就明显不够用了。我按任务类型总结过一套选版本心得。

5.1 做基因家族扩张收缩，怎么选版本

这类任务最怕“注释尺度不统一”。如果你五个物种里三个来自 Ensembl Plants，两个来自 NCBI，最后统计基因家族大小差异时，很大一部分差异会是注释粒度造成的。比如一个基因被预测成 3 个碎片基因模型，基因计数立刻被抬高。

所以做基因家族分析，我最推荐“全 Enssembl Plants”组队，至少在注释流程上是同一套工厂出来的。如果某个物种 Ensembl Plants 没有高质量版本，再考虑用同门近缘物种代替，而不是硬塞一个低质量版本。

基因家族鉴定时还要记得合并同源基因：先用gffread从 GFF3 提取基因区和 CDS，把同一 locus 的转录本合并成一个基因的蛋白代表，避免可变剪切造成假家族成员膨胀。

5.2 做变异位点或群体研究，取舍逻辑完全不同

群体研究看重的是可靠的 SNP/Indel calling，而变异检测严重依赖“坐标序列的稳定性”。这时候我优先保证两点：一是参考基因组本身尽量少 gap，二是注释版本尽量和已发表的群体文章一致。很多作物物种，某个课题组做群体的参考版本和你选的版本不同，下游比对结果就会错位。

如果你的研究关注非编码区域、增强子、启动子，那 assembly 版本的 gap 分布比 gene count 重要得多。一个 N50 高但 gap 都挤在启动子区域的版本，会直接消灭掉一大批 cis 调控变异。

反过来，如果只做编码区的变异，那组装连续度可以适当让步，但注释的 CDS 完整性必须优先。同一个物种的.pep文件里蛋白数量是不是和 GFF3 里的 mRNA 数量对得上，这一步就能过滤掉一堆注释 bug。

核心原则：别问“哪个数据最好”，先问“我接下来想推什么结论，什么标准才不会推翻我自己”。

6. 我在这套流程里踩过的几个坑

数据下载并不是流程的结束，真正的工作从文件落地后才开始。这里写几个我实际遇到、且很多人都会碰到的坑，当作排查清单。

6.1 注释文件里 mRNA 数量远小于基因数量

第一次下载烟草的 GFF3 时，我看到 gene 数量是 38000，但 mRNA 只有 27000，心里咯噔一下。一查发现，问题出在部分 gene 特征下没有完整的 mRNA 子特征，只有gene和pseudogene层级。如果直接用gffread提取转录本，那一万多个基因会被无声丢掉。

排查方法很简单：用grep -c $'\\tmRNA\\t'数一下 mRNA 行，再用awk '{print $3}' | sort | uniq -c看各类特征是否齐全。如果发现大量 gene 没有 mRNA 子行，优先考虑换注释版本，而不是自己修。

6.2 官网版本和 NCBI 版本对不上

某次我下载了一个豆科物种，Ensembl Plants 里面写着与某个 GCA 对应。做完正反比对，发现 Ensembl 用的序列其实是该 GCA 的后续修订版。我心里一紧，说明这批数据的染色体编号命名和 NCBI 里的原始序列对不上，导致我后续的 VEP 注释报了一大堆 mismatch。

后来我养成了一个习惯：下载数据后在本地用samtools-faidx对指定染色体区域剪一段序列，再到 NCBI 对应版本里用 BLAST 验证，确认完全一致再往下走。多花十分钟，省掉投稿前的崩溃。

6.3 转座子区域里的“假基因”混进基因家族

Ensembl Plants 的注释相对规整，但依然会保留一部分“残缺基因模型”。尤其是在转座子富集区，很多基因模型本身是表达宿主转录本或退化基因片段。做基因家族的时候，这些序列容易比对到同一家族里，然后被当成“新成员”。

我的做法是做一轮证据过滤：保留那些具有明确 InterPro 结构域、或至少匹配到同源蛋白数据库的基因模型。操作上用gffread转蛋白序列后，通过InterProScan批量注释，再设置一个结构域筛选阈值，把伪基因比例压到最低。

6.4 蛋白序列里带终止符，BLAST 结果变碎片

还有一次，我从 Ensembl Plants 下载的.pep文件里部分序列带着内部终止密码子*。我直接拿去做 BLAST，结果把一条蛋白拆成两段来算，导致一段保守结构域被切成两半，家族归属直接错误。

这里提醒所有程序化处理的人：拿到.pep文件后，先扫描内部 stop codon；有的话按标准流程把这类序列标记为“蛋白预测异常”，要么剔除，要么拆分后重新做结构域预测。别偷懒，这个检查三分钟就能做完。

7. 实操里的小建议

最后再从重复多次的参数选择上说点个人体会。跑BUSCO，植物基因组我最常用viridiplantae_odb10，命令大致是：

busco -i genome.fa -l viridiplantae_odb10 -o busco_out -m genome -c 16

如果你的物种特别冷门，viridiplantae库可能有点偏大，可以改用embryophyta或其他植物亚库，但后续写文章一定要注明用的哪个库，否则别人没法复现你的评分。

注释质量自检，我习惯跑一遍agat的agat_sp_statistics，它可以同时输出 CDS 长度分布、外显子数量分布、基因密度、起始/终止密码子比例。真正高质量物种注释的外显子数量分布会比较均衡；如果看到外显子数量几乎全为 1——也就是单外显子基因占比异常高——说明注释流程大概率漏掉了大量剪接事件。

最后给一句实在建议：注册一个 Ensembl Plants 账号，把常用的物种版本加进“收藏”，查看新物种时也会推送相关 release 更新。每次发布新版本前用旧的跑一遍流程，新版本出来再备份旧版，这个习惯能帮你避免很多半年后“数据更新导致结论无法复现”的麻烦。

我自己做植物比较基因组这几年，筛选数据的时间早就超过了实际分析的时间。刚开始觉得很浪费，后来才明白，好的数据筛选不是浪费时间，而是把“数据分析里 80% 的时间花在洗数据上”这个局面往前挪了一步。把基础打牢，后面每一步都会快很多。