生物信息学数据库全景：序列/表达/功能/变异

生信分析中有一个定律：你遇到的问题 90% 别人已经遇到过，80% 有现成的数据库可以查。 关键是你得知道去哪查。

本文整理生信最常用的 15 个免费数据库，按分析场景分类：序列类、表达类、功能类、变异类、表观类。

1. 序列类——找基因找序列#

数据库	内容	URL	使用方式
NCBI Nucleotide	所有已知核酸序列	ncbi.nlm.nih.gov/nucleotide	Entrez API / 网页下载
Ensembl	高质量基因组注释	ensembl.org	BioMart批量下载
UCSC Genome Browser	基因组浏览器+注释track	genome.ucsc.edu	Table Browser导出
RefSeq	NCBI精选参考序列	—	包含在NCBI中

怎么选： 人类/小鼠用 Ensembl，其他物种用 NCBI，需要看基因组track用 UCSC。

2. 表达类——找表达数据#

数据库	规模	适用
GEO	600万+样本	小规模研究、练手
SRA	海量原始数据	需要原始FASTQ
TCGA	33种癌症、2万+样本	癌症研究
GTEx	54种组织、1万+样本	正常组织表达参照
ENCODE	多组学标准化数据	表观+表达整合

TCGA下载：

1
BiocManager::install("TCGAbiolinks")
2
library(TCGAbiolinks)
3
query <- GDCquery(project = "TCGA-BRCA", data.category = "Transcriptome Profiling")
4
GDCdownload(query)

3. 功能类——注释基因功能#

数据库	用途	关键工具
UniProt	蛋白质功能注释	Swiss-Prot（人工审核，可靠）
GO	基因本体论	富集分析
KEGG	代谢通路	pathway可视化
STRING	蛋白质互作网络	PPI网络构建
Reactome	信号通路	更现代的pathway数据库

快速查一个基因的功能：

1
curl "https://rest.uniprot.org/uniprotkb/search?query=TP53&format=tsv" | head -5

4. 变异类#

数据库	规模	用途
dbSNP	人类SNP全集	变异ID标准化
gnomAD	14万人外显子组	人群频率过滤
ClinVar	临床致病性	变异致病性注释
COSMIC	癌症体细胞突变	肿瘤突变谱

gnomAD是变异过滤的黄金标准。 如果你的候选变异在 gnomAD 中人群频率 > 0.01（1%），大概率是多态性而非致病突变。

5. 表观类#

数据库	内容
ENCODE	标准化ChIP-seq/ATAC-seq/DNase-seq
Roadmap Epigenomics	127种组织的表观图谱
FANTOM5	CAGE表达+增强子图谱

6. 数据库API——程序化查询#

1
# 查UniProt
2
import requests
3
r = requests.get("https://rest.uniprot.org/uniprotkb/P04637",
4
    headers={"Accept": "application/json"})
5
print(r.json()["proteinDescription"]["recommendedName"]["fullName"]["value"])
6

7
# 查Ensembl
8
from Bio import Entrez
9
Entrez.email = "your@email.com"
10
handle = Entrez.esearch(db="gene", term="BRCA1[Gene] AND Homo sapiens[Organism]", retmax=1)
11
record = Entrez.read(handle)
12
print(record["IdList"])

7. 踩坑#

数据库版本要固定——Ensembl 和 UCSC 每年更新。写论文时注明数据库版本号。
TCGA 数据需要申请——contrrolled-access 数据需要 dbGaP 申请，open-access 可以随便下。

本文于 2025-07-08 实测。