三、下載參考基因組

常用參考基因組數據庫：

• Ensembl（人、動物）：https://ftp.ensembl.org/pub/
• EnsemblGenomes（植物、細菌、真菌、其他）：https://ftp.ensemblgenomes.org/pub/
• NCBI：https://ftp.ncbi.nih.gov/genomes/
• UCSC：ftp://hgdownload.cse.ucsc.edu/

Ensembl的使用

（1）選擇最新的release 

（2）fasta/ 

（3）選擇物種

（4）選擇數據 

1. 基因組下載

人的基因組序列

• 未知所屬染色體的基因：Homo_sapiens.GRCh38.dna.nonchromosomal.fa.gz
• 全基因組的兩個版本：primary_assembly（多數分析使用）、toplevel
• 替換重複序列（一般不用，用完整的）。
  rm（Repeat-Masked）（重複序列屏蔽）：重複序列小寫、非重複序列大寫
  
  sm（Separate Molecules）（獨立分子）：從主序列中分離出來的特定序列集合。需要專門研究替代單倍型，或者您只需要某一條特定染色體的序列時，才需要下載這些文件。

2. 基因註釋下載

gff→gff2→gff3格式：人讀友好，機器不方便

gtf格式：推薦

• 預測，未實驗驗證：abinitio
• 染色體基因：chr（一般下載這個）
• 未在染色體基因：chr_patch_hapl

gff格式

第一行：基因

1. 序列ID：染色體編號/contig編號
2. 註釋來源（預測程序/數據庫）：maker
3. 序列類型：gene
4. 起始位置：2652107
5. 結束位置：2657465
6. 得分：沒有得分用“.”表示
7. 鏈：-（負鏈）、+（正鏈）、.（鏈不確定或無關）
8. 相位：僅對CDS特徵有效，表示起始密碼子的相位，可以是0、1、2。0表示該特徵起始於密碼子的第一個鹼基，1表示第二個鹼基，2表示第三個鹼基。對於非CDS特徵，用"."表示。
9. 屬性：以鍵值對的形式提供特徵的額外信息，鍵值對之間用分號分隔。基因編號：HF00001
   ID：特徵的唯一標識符。
   Name：特徵的可讀名稱，不一定唯一。
   Parent：表示父特徵的ID，用於建立特徵之間的層次關係。例如，一個exon的Parent可能是其所在的mRNA。
   其他自定義鍵，如Note、Dbxref等。

第二行：mRNA可變剪接

• mRNA編號：HF00001-RA

3. gff3轉換為gtf

gffread -T HFTH1.gene.gff3 -o applegene.gtf
//gffread安裝到官網下載，解壓，添加環境變量
//不支持.gz格式，要解壓成.gff3

gtf格式：無gene行，無parent信息，直接指明轉錄本所屬mRNA、基因ID