一、人類基因組有多大

• 參照UCSC提供的hg38版本，也是目前常用的人類參考基因組
  http://hgdownload.soe./goldenPath/hg38/bigZips/hg38.chrom.sizes

• 如上可看出染色體序號越靠前的，長度越大，范圍在50M~250M之間；
• 由于人為二倍體，所以基因組由60億個堿基組成；
• 參考基因組一般保存為純文本格式，即直接記錄“A”、“T”、“C”、“G”這樣的 ASCII 碼字符。
• 而1個 ASCII 字符，大小是 1B，所以，如果按純文本保存 30億個字母(單鏈)，就是30億字母 = 3,000,000,000 B = 3 GB。

from NCBI

二、奇怪的染色體name(chrUn,random,alt)

• 同樣以UCSC里的hg38版本為例

wget http://hgdownload.soe./goldenPath/hg38/bigZips/hg38.fa.gz
gunzip hg38.fa.gz
#提取染色體id
grep '^>' hg38.fa > chr.id
wc -l chr.id
#455 chr.id
head chr.id
####
>chr1
>chr10
>chr11
>chr11_KI270721v1_random
>chr12
>chr13
>chr14
>chr14_GL000009v2_random
>chr14_GL000225v1_random
>chr14_KI270722v1_random

• 如上發(fā)現(xiàn)，序列并不是只有25條(22+X+Y+M)，加起來共有455條。其它特殊的序列可分為三類。

• 在此之前需要簡單了解由最初的測序read數(shù)據(jù)組裝成基因組的染色體序列需要經(jīng)歷contigs與scaffolds兩個過程，如下圖所示。contigs是依靠read間的重疊拼接的序列(a few kbp long)，特點是不含有N堿基；scaffolds則主要依靠read pairs關(guān)系進一步拼接contigs，特點是會產(chǎn)生N堿基(a few hundred kbp)；最終由scaffolds拼接成染色體序列。

  
  
  

  read→contigs→scaffolds
  
  
  

  read→chromosomes

2.1 Unlocalized scaffolds(*****random)

• a sequence found in an assembly that is associated with a specific chromosome but cannot be ordered or oriented on that chromosome.
• 簡單理解：知道這個scaffolds在哪條染色體上，但不知道其在染色體的具體位置及方向
• format: chr{chromosome number orname}_{sequence_accession}v{sequence_version}_random

2.2 Unplaced scaffolds(chrUn******)

• a sequence found in an assembly that is not associated with any chromosome.
• 簡單理解：不知道這條scaffolds的所屬染色體信息
• format: chrUn_{sequence_accession}v{sequence_version}

grep 'chrUn' chr.id > chr.chrUn
wc -l chr.chrUn
#127 chr.chrUn
head chr.chrUn
###
>chrUn_KI270302v1
>chrUn_KI270304v1
>chrUn_KI270303v1
>chrUn_KI270305v1
>chrUn_KI270322v1
>chrUn_KI270320v1
>chrUn_KI270310v1
>chrUn_KI270316v1
>chrUn_KI270315v1
>chrUn_KI270312v1

2.3 Alternate loci scaffolds(*****alt)

• a scaffold that provides an alternate representation of a locus found in the primary assembly. These sequences do not represent a complete chromosome sequence although there is no hard limit on the size of the alternate locus; currently these are less than 1 Mb. These could either be NOVEL patch sequences, added through patch releases, or present in the initial assembly release.
• 簡單理解：參考基因組存在的主要依據(jù)是人類99.9%的序列是一致的。但是會存在一些序列在不同人群中不一致。例如49%人群該基因組特定位置為序列A，而49%人群則為序列B，都是正常的。但拿其中一種作為參考基因組都可能不太合適，因此標記出Alternate loci scaffolds。
• format: chr{chromosome number or name}_{sequence_accession}v{sequence_version}_alt
• Alternate loci scaffolds為hg38版本基因組新添類型Sequence，此前hg19版本還沒有。

注意：以上具體的chromosome name均為ucsc的hg版本，與GRCh38略有差異，但基本也是這幾種類型sequence

三、編碼基因占比多少

• 在30億堿基基因組中，能夠編碼蛋白質(zhì)的基因總長度只占總長度的5%，而其中轉(zhuǎn)錄本exon單元總長度只占總長度的1.5%；
• 人類染色體共編碼2w~3w個蛋白基因，分布于不同染色體中。平均長度有10Kbp長度左右，而實際上基因的長度分布十分廣泛(from a few hundred bases to more than 2 million bases)

wget https://hgdownload.soe./goldenPath/hg38/bigZips/genes/hg38.refGene.gtf.gz
awk '{print$1, $10}' hg38.refGene.gtf |sort -k 2|uniq|grep -v alt | grep -v random | grep -v alt | grep -v fix| sort -k 1 > chr.gene
cut -d' ' -f 1 chr.gene | uniq -c
###
   1113 chr10
   1676 chr11
   1392 chr12
    632 chr13
    946 chr14
   1010 chr15
   1146 chr16
   1574 chr17
    434 chr18
   1791 chr19
   2832 chr1
    780 chr20
    414 chr21
    644 chr22
   1817 chr2
   1563 chr3
   1088 chr4
   1313 chr5
   1453 chr6
   1341 chr7
   1029 chr8
   1114 chr9
      1 chrM
   1157 chrX
    143 chrY

四、下載參考基因組

• 目前常用的基因組版本為GRCh38/37，hg38/19，前者可通過NCBI/Ensembl下載，后者可通過UCSC網(wǎng)站下載。如下圖所示GRCh38可認為等同于hg38，GRCh37可認為等同于hg19。

  
  
  

  human genome version
• 以下載GRCh38/hg38為例，如下

4.1 NCBI

• https://www.ncbi.nlm./projects/genome/guide/human/

NCBI

4.2 ensembl

• ensembl的release-103版本可以認為等于GRCh38
• https://asia./Homo_sapiens/Info/Index
• http://ftp./pub/release-103/fasta/homo_sapiens/dna/

wget -c http://ftp./pub/release-103/fasta/homo_sapiens/dna/Homo_sapiens.GRCh38.dna.toplevel.fa.gz

ensembl

4.3 UCSC

• http://hgdownload.soe./downloads.html
• http://hgdownload.soe./goldenPath/hg38/bigZips/

UCSC

五、更新ing~

• 如有錯誤歡迎指正；
• 以及關(guān)于生信研究中人類參考基因組其它常見問題，也可評論區(qū)留言，讓我們一起弄明白，加油~