MSBS7101 Lecture 2 · 基因组浏览与注释（UCSC 与 Google Colab）

一、本讲信息

课程：MSBS7101 Essential Skills in High-throughput Sequencing Data Analysis（高通量测序数据分析核心技能，HKU MMedSc）

日期：2026-09-08

教师：Dr. Rachel Kwan（关博士，School of Biomedical Sciences, HKU；rkwanhl@hku.hk）

主课件 ：本讲含两套讲课课件——L2a_Genome_browsing_and_annotations_2026.pdf（基因组浏览与注释，54 页）与 L2b_Introduction to Google Colab_2026.pdf（Google Colab 入门，5 页）；另有 UCSC 浏览器练习及答案作辅助参考。

二、学习目标

依据 L2a 课件第 2 页的学习目标（Learning outcomes）：

描述基因组信息的层级（layers of genomic information）与序列变异（sequence variation）的类型。

理解基因组特征注释（genomic feature annotations）以及使用参考基因组（reference genomes）时的注意事项。

使用 UCSC Genome Browser 在人类基因组中导航并考察基因特征。

使用 UCSC Table Browser 提取基因组数据与注释。

（L2b）完成 Google Colab 环境的课前准备，为下周的编程内容做准备。

三、核心内容

3.1 从"一串序列"到"基因组上的位置"

课件以人血红蛋白 α 亚基（hemoglobin subunit alpha 1, HBA1）为例开篇：仅凭一段 DNA 或蛋白质序列（RefSeq 登录号 NG_059186.1 / NP_000549.1），无法回答以下问题——该基因位于 16 号染色体何处？起始密码子（start codon）与终止密码子（stop codon）在哪里？编码区（coding region）、功能结构域（functional domain）、活性位点（heme group，血红素基团）在哪里？哪些区域容易发生突变、哪些突变会破坏功能？要回答这些问题，必须把序列信息定位（map）到人类基因组上，再结合注释信息进行解读。这正是本讲的主题。

3.2 人类基因组结构与 DNA 序列变异

基因组结构 ：人类基因组共 23 对染色体（diploid genome，二倍体），约 30 亿碱基对（base pairs, bp）；若把一个细胞的 DNA 拉直约 2 米，需压缩进直径约 15 微米的细胞核内。压缩依靠 DNA 缠绕组蛋白（histones）形成核小体（nucleosome）等层级结构完成。全基因组中编码蛋白质的序列不足 2%。

序列变异的三个层级 （L2a p7）：

细胞遗传学层级（cytological level） ：整条染色体数目异常，或大片段重复、重排、缺失。

亚染色体层级（sub-chromosomal level） ：转座元件（transposable elements，约占基因组 43%）、短插入/缺失与串联重复（tandem repeats）。

序列层级（sequence level） ：单核苷酸多态性（Single Nucleotide Polymorphisms, SNPs，即单个碱基的改变）与小插入缺失（Indels，一般指 ≤100 bp）。

两类关键概念 （L2a p8，课堂录音补充）：

SNP（单核苷酸多态性） ：物种成员间天然存在的序列差异，出生时即遗传获得（inherited at birth），存在于该个体所有细胞中；人类群体约有 4,000 万个常见 SNP。若位于生殖细胞并可传给后代，也称为生殖系突变（germline mutation）。

体细胞突变（somatic mutations） ：出生后才获得，仅存在于部分细胞，不能遗传，常见于癌细胞（与环境因素、自发突变等有关）。

变异落在基因组的哪个位置很关键 （L2a p9）：由于编码区只占约 2%，多数突变落在基因间区（intergenic regions）。若落在基因内，可再分为非编码区（non-coding，含内含子 intron）与编码区（coding，外显子 exon）；落在编码区又分为：

同义突变（synonymous） ：密码子存在简并性（degenerate codons，多个密码子对应同一氨基酸），氨基酸不变。

错义突变（missense，非同义 non-synonymous 的一种） ：换成另一个氨基酸；若化学性质相似可能仍部分保活，若性质差异大则蛋白质无法正确折叠。

无义突变（nonsense） ：产生提前的终止密码子（stop codon），蛋白质被截短（truncated）。

同义或非编码变异虽不改变氨基酸，仍可能影响转录/翻译效率、mRNA 稳定性、基因调控（如转录因子结合）或 RNA 调控（如 miRNA 结合）。课件强调：大多数变异是中性的，少于 1% 会造成表型变化——因此只"找到变异"不够，还要从中筛出"有后果的"（consequential）变异。

3.3 RNA：基因与基因表达

人类基因组约有 20,000 个蛋白编码基因（protein-coding genes） ，仅占序列约 2%；一个基因可通过多个转录起始位点（transcription start sites, TSS）和可变剪接（splicing）产生多个转录本/蛋白异构体（isoforms），翻译后修饰（post-translational modification）进一步影响蛋白功能。

非编码基因（non-coding genes） （L2a p13）：微小 RNA（microRNA, miRNA）参与 RNA 降解或翻译抑制，在发育、癌症、心脏病等过程中有作用；长链非编码 RNA（long non-coding RNA, lncRNA）长度 >200 个核苷酸，可招募组蛋白修饰因子参与转录调控。课堂录音补充：tRNA、rRNA 也属于非编码 RNA；非编码 RNA 因不编码蛋白，功能研究难度较大，本课程以蛋白编码元件为主。

3.4 基因调控与表观遗传（Epigenetics）

表观遗传（epigenetics） ：不依赖 DNA 序列本身的变化（序列组成不变）而改变细胞功能的机制（L2a p15），包括非编码 RNA、转录因子、DNA 甲基化、组蛋白修饰/核小体定位等。

转录因子（transcription factors, TF） ：结合 DNA 共同调控基因表达的蛋白，通常结合在启动子（promoter）或增强子（enhancer）区域，参与转录复合体的形成。

DNA 甲基化（DNA methylation） （L2a p17）：在 CpG 二核苷酸的胞嘧啶（cytosine）上添加甲基集团，生成 5'-甲基胞嘧啶（5'-methylcytosine）；抑制转录，且可逆——由 DNA 甲基转移酶（DNMTs）添加、TET 蛋白去除。课堂录音补充：靠近转录起始位点的密集甲基化会导致基因沉默（gene silencing）；肿瘤中常见通过甲基化沉默抑癌基因（tumor suppressor）从而促进肿瘤生长。

核小体与组蛋白修饰 （L2a p18）：DNA 缠绕组蛋白形成核小体；每个核小体含 8 个组蛋白（H2A、H2B、H3、H4 各两份，录音补充）。组蛋白尾部（histone tails）的乙酰化、甲基化、泛素化等修饰可增强或抑制基因表达；染色质重塑（chromatin remodeling）使 DNA 区域"打开"（常染色质 euchromatin）或"关闭"（异染色质 heterochromatin）以控制转录可及性。

3.5 序列注释与参考基因组

注释（annotation） 就是把上述各类信息"记录"在序列上（L2a p20），包括：基因组信息（染色体位置、内含子/外显子、调控区）、蛋白信息（结构域与活性位点、翻译后修饰）、功能信息（分子功能、亚细胞定位、变异与疾病关联）、同源/进化信息（保守结构域、其他物种同源基因）、基因表达（组织与发育阶段表达谱）以及相关文献。

参考基因组（reference genome） （L2a p21）：所有注释都定位到参考基因组上。个体间基因组差异约 0.1%，但 0.1% × 30 亿仍是极大数量，因此需要一个标准序列作为比对基线。参考基因组的特点：

是拼接序列（composite sequence） ，不对应任何一个具体的人；

是单倍体（haploid） ，每个位点只保留一条链（5'→3'）的序列；

版本随测序技术进步不断更新：NCBI34/hg16、NCBI35/hg17、NCBI36/hg18、GRCh37/hg19、GRCh38/hg38，直至 2022 年的 T2T-CHM13/hs1。

课堂录音强调：T2T（telomere-to-telomere）是第一个真正完整的基因组（含此前难以测序的 Y 染色体等区域），但由于 hg38 自 2014 年前后发布至今已积累十余年注释资源，当前实验研究仍以 hg38 为主；除非研究对象是 hg38 中缺失的区域，否则应继续使用 hg38。不同 assembly 之间坐标和注释都可能不同，转换需用 LiftOver 工具；同一项目内应始终固定使用同一参考基因组。

基因本体论（Gene Ontology, GO） （L2a p22）：用受控词汇（controlled vocabulary）对任何物种的基因产物做标准化注释，分三类——分子功能（Molecular Function）、细胞组分（Cellular Component）、生物过程（Biological Process）。以人血红蛋白 α 亚基（UniProt P69905）为例：血红素结合（GO:0020037）、铁离子结合（GO:0005506）、氧结合（GO:0019825）属于分子功能；位于细胞质基质（cytosol, GO:0005829）属于细胞组分；参与氧运输（oxygen transport, GO:0015671）属于生物过程。注意：GO 只记录正常功能、定位与过程，不含疾病信息。

3.6 基因组浏览器：IGV 与 UCSC 的对比

基因组数据库与浏览器（genome browsers）将各类信息按染色体坐标 组织展示（L2a p24），例如 UCSC Genome Browser、NCBI Genome Data Viewer、Ensembl、WashU Epigenome Browser、IGV 等。本讲重点比较两种（L2a p25–26）：

ㅤ	IGV （Integrative Genomics Viewer）	UCSC Genome Browser
架构	客户端（client-side），Java 程序安装在本地	客户端-服务器（client-server），网页访问
安装	常较难安装	无需安装
数据	缺少第三方注释大库，适合查看自己的大规模测序数据	统一界面访问海量第三方注释数据库；导入自有大数据集较困难
速度	比网页浏览器快	依赖网络

（课堂录音：本课程 Dr. Kwan 部分用 UCSC；Prof. Wong 部分将用 IGV 查看自己的测序数据。）

UCSC Genome Browser 界面要点 （L2a p27–29）：

横向为基因组序列，可视化比例尺可灵活缩放；箭头方向指示链——>> 为正链（positive strand），<< 为负链（negative strand）。

纵向为注释轨道（annotation tracks） ：任何能映射到基因组坐标的数据都能以轨道形式展示（如基因结构、变异、保守性）。

顶部选择物种与 assembly（默认人类 hg38）；务必确认所用 assembly 版本 ，否则坐标与注释都会错位。

录音演示：在搜索框输入基因名（如 ERBB2）即可跳转；可放大/缩小 10 倍、拖拽平移；按住 Shift 拖拽可框选放大某一区段。

3.7 UCSC Genome Browser 实操要点（L2a p30–43）

轨道显示模式 （L2a p35）：Full（每条注释单独一行，信息最全，如显示每个转录本的外显子数目与长度）、Pack（显示所有特征但不必每条一行）、Squish（约为 Full 高度 50% 的压缩显示）、Dense（全部压缩为一行）。悬停可查看条目详情，右键可隐藏轨道或打开说明（track description）。

轨道管理 ：可通过 track search 按名称搜索特定轨道（如 Pfam），或在可见轨道设置中批量隐藏；课上练习"隐藏除 GENCODE 外的全部轨道"。

课堂演示的 ERBB2 轨道组合 （L2a p40）：GENCODE v50（Pack，基因结构）、Pfam in GENCODE（Pack，蛋白结构域，如 furin-like、transmembrane、tyrosine kinase 结构域）、COSMIC regions（Squish，癌症相关体细胞突变）、dbSNP 155（Pack，SNP 信息）。

COSMIC （Catalogue Of Somatic Mutations In Cancer，癌症体细胞突变目录）：同一 COSMIC ID 对应同一突变，不同患者样本重复出现同一 ID 提示该突变在癌症中高频（录音中以 ERBB2 的 COSMIC 48358 为例：大肠腺癌样本中发现，第 310 位氨基酸 Ser→Phe 的 C>T 错义突变）。

dbSNP 颜色编码 （录音）：红色为改变蛋白或剪接位点的非同义变异，绿色为同义变异，蓝色为非编码区变异。

保守性轨道（conservation track） （L2a p39）：基于 100 种脊椎动物的多序列比对；悬停可读出保守性数值。外显子（尤其第一内含子与外显子区域）保守性显著升高 ，因为编码蛋白的功能域在进化上被保留；下方按物种展示的线条粗细反映各物种该区域的保守程度。

3.8 UCSC Table Browser：把图形变成数据

Table Browser 与 Genome Browser 使用同一数据库（L2a p48），用于检索与处理注释表 ：查询/筛选注释表、提取 DNA 序列或注释、查看 summary statistics（条目数与覆盖区间）、查看表结构（schema）、施加过滤（filter）与交集（intersection）、组织并格式化输出（如 BED、CSV/TSV）。入口：UCSC 站点 Tools → Table Browser（Tools 菜单中还有 LiftOver）。

高级用法示例 （L2a p50–52）：提取"基因调控区内的 ClinVar 变异"——ClinVar 收录临床意义变异（clinically significant variants）；全 hg38 基因组共有 3,513,154 个 ClinVar 变异；通过与 DNase-seq 峰（DNase 超敏感位点标记"开放"染色质中的调控区，尤其是启动子）做交集（intersection，类似韦恩图取重叠区），可把范围缩小到基因调控区内的 73,990 个变异。录音提示：先看 summary/statistics 预览数据量是否可控，再决定是否需要限定染色体或加过滤条件；输出可保存为文件（如 test.csv）得到表格文件。

3.9 课堂练习（两份 exercises PDF）

练习 1（Genome Browser，基因 KLF4） ：① 描述 KLF4 的外显子-内含子结构；② 判断 KLF4 编码何种蛋白；③ 同事称 KLF4 最常见的体细胞突变与脑膜瘤（meningioma）相关，如何验证（提示：COSMIC）；④ 判断该突变类型并推测其对 KLF4 功能的影响。

参考答案要点：KLF4 的代表性转录本有 5 个外显子、4 个内含子（GENCODE 以 Full 模式显示）；KLF4 是锌指（zinc-finger, zf-C2H2）转录因子，含 3 个 C2H2 锌指结构域（Pfam 轨道，链接至 InterPro PF00096）；高频突变对应 COSMIC ID248828，原发组织为脑膜瘤；该突变为 K409Q 错义突变，位于锌指区，可能影响 DNA 结合能力。

练习 2（Table Browser，启动子区提取） ：启动子定义为 TSS 上游 1 kb。① 提取 NCBI RefSeq 所有基因 TSS 上游 1 kb 区域（BED 格式），并统计条目数（答案：先 get output 再请求 1000 bases upstream；summary/statistics 显示 197,654 条）；② BED 只含坐标，如何输出带人类可读基因符号（如 SOX17、KLF4）的表——查 schema 可见 RefSeq 表自带 name2 列存基因名，改用包含所有字段的 TSV/CSV 输出即可；③ 仅提取 9 号染色体的数据，两种方法：在 "Define region of interest" 的 position 填 chr9，或用 filter 过滤 chrom=chr9；两种方法均得 7,749 条、覆盖 chr9:1-138,394,717，方法二加载更快。

3.10 Google Colab 入门（L2b）

Google Colab 是基于云的浏览器环境，用于编写和执行代码：计算在 Google 提供的云服务器上运行，不受本机配置限制；文件存取依托 Google Drive。访问 https://colab.research.google.com/ ，** 需要登录 Google 账号**。

打开课程 notebook ：File → Open notebook → GitHub，忽略弹出登录提示，按课件步骤进入指定课程仓库，打开 Introduction to Google Colab notebook。

notebook 结构 （L2b p5）：由两类单元格组成——文本单元格（text cells，不可执行，用于笔记）与代码单元格（code cells，可执行，点击左侧按钮 run）。首次运行时 notebook 会连接云计算机（数秒）；连接 Google Drive 时会弹出授权，必须点 OK/允许 ，否则后续下载数据无法保存。

重要运行特性 （录音强调）：重新打开 notebook 等于连接一台新的云服务器，运行状态不保留；若中途关闭页面/笔记本，重开后必须从第一个单元格开始顺序重新运行 ，从中途开始会报错。

四、关键图解

L2a p4：人类基因组结构（I）。约 30 亿碱基对的 DNA 通过多层级包装压缩进细胞核，图示从 DNA 到染色体（chromosome）的层级结构，说明为何需要层级化的信息组织。

L2a p9：变异在基因组中的位置分类。以转录起始位点（TSS）为参照，变异可落在基因间区（intergenic）、基因内非编码区或编码区，编码区内又分同义（synonymous）与非同义（non-synonymous），说明突变后果取决于位置。

L2a p21：人类参考基因组各版本（NCBI34/hg16 至 T2T-CHM13/hs1）的发布时间线。所有注释都挂在特定 assembly 上，跨版本比较必须先统一 assembly 或使用 LiftOver。

L2a p27：UCSC Genome Browser 的组织方式——横向为基因组序列（>> 正链、<< 负链），纵向为各类注释轨道（annotation tracks），比例尺可灵活缩放。

L2a p35：同一注释轨道的四种显示模式——Full（每条注释一行）、Pack（全部特征紧凑显示）、Squish（50% 高度压缩）、Dense（压缩为单行），用于在信息量与可读性之间取舍。

L2a p39：100 种脊椎动物的保守性（conservation）轨道。外显子与第一内含子区域保守性显著升高，说明蛋白编码与关键调控区在进化中被保留。

L2a p50：Table Browser 高级用法——将 ClinVar 变异（全基因组 3,513,154 条）与 DNase-seq 调控区做交集，筛选位于基因调控区的变异（73,990 条），演示如何用 intersection 缩小数据范围。

L2b p5：Google Colab（Jupyter）notebook 界面——文本单元格（text cells，不可执行）与代码单元格（code cells，可执行）交替排列，点击代码单元格左侧按钮即可运行。

五、课前思考 / 自测

依据本讲练习材料（UCSC_browsers_excercises_2026.pdf）提炼：

KLF4 的代表性转录本有多少个外显子和内含子？在 UCSC Genome Browser 中应显示哪条轨道、用什么显示模式才能看清？

如何仅用 UCSC 浏览器验证"KLF4 最常见体细胞突变与脑膜瘤相关"这一说法？需要哪条轨道、点开哪个条目查看什么字段？

在 Table Browser 中，如何提取 NCBI RefSeq 所有基因 TSS 上游 1 kb 的区域（BED 格式）？如何确认提取了多少条记录？

BED 输出只有坐标，如何让输出表格包含 SOX17、KLF4 这类可读基因符号？（提示：查看表结构 schema 中 name2 列，并改用 TSV/CSV 输出全部字段。）

若要把上述结果限定在 9 号染色体，至少有两种参数修改途径，分别是什么？如何证明两者输出一致？

六、参考材料

主课件：Materials/L2a_Genome_browsing_and_annotations_2026.pdf（54 页）

主课件：Materials/L2b_Introduction to Google Colab_2026.pdf（5 页）

辅助练习：Materials/UCSC_browsers_excercises_2026.pdf（1 页）

练习答案：Materials/UCSC_browsers_excercises_answers_2026.pdf（6 页）

课堂录音转写：Recordings/MSBS7101-0908.txt

课件中给出的扩展资源：UCSC 官方视频教程（YouTube: NBDMNv2KFik）、walkthrough 教程（genome.ucsc.edu/docs/）、培训资源（genome.ucsc.edu/training/）、功能文档（hgTracksHelp.html）。

七、课堂要点补充（来源：课堂录音转写）

上一讲 BLAST 勘误 ：旧版幻灯片中 megablast 与 discontiguous megablast 的描述相同，属笔误。megablast 适用于 ≥95% 一致性的近似相同序列；discontiguous megablast 适用于一致性较低（约 80–90%）的较长序列。更正版幻灯片已上传 Moodle，另有 BLAST 演示用的 DNA/蛋白序列文件可供自行练习。

Indel 的长度分级 （录音）：≤100 bp 为小 indel（small indels）；>100 bp 的插入缺失可逐步归入更大尺度变异；更大片段的重复/缺失即进入细胞遗传学层级。

germline 与 somatic 的区分 （录音）：可遗传的突变称 germline mutation（生殖系突变）；somatic mutation 只存在于发生突变的细胞及其子代细胞，不遗传。癌症研究中两者都会遇到；COSMIC 是专门收录癌症体细胞突变的数据库。

hg38 与 T2T 的取舍 （录音）：T2T-CHM13 是首个真正完整的人类基因组（含完整 Y 染色体等难测区域），但 hg38（约 2014 年发布）已积累十余年注释，注释更全面，除非研究 hg38 缺失区域，现阶段仍首选 hg38；本课程后续变异解读也使用 hg38。

COSMIC 编号规则 （录音）：一个 COSMIC ID 对应一种特定突变（如某位置 C>T）；同一 ID 的大量条目代表在不同患者样本中重复检出，提示该突变可能利于肿瘤发生；条目按提交顺序显示而非按频率排序，点开条目可查看样本来源组织、癌症类型与氨基酸改变。

作业预告 （录音）：下次作业需结合 BLAST 与 genome browser 完成；练习答案一周后在 Moodle 发布。

下周课前准备 （录音）：下周起学习编程，请携带笔记本电脑（laptop，不建议仅带 iPad，无法带电脑者需与邻座共用屏幕）；编程使用 Google Colab，无需本地安装，但需 Google 账号；课前务必在家完成 Colab notebook 的打开与运行测试（含 Google Drive 授权），遇到问题提前反馈，课上没有时间排查。

Colab 运行注意 （录音）：每次打开/重连 notebook 都会分配新的云服务器，运行状态不保留；中断后重开必须从第一个代码单元格顺序重跑，否则会连续报错。