4.3 公共数据库地图：NCBI、Ensembl、UniProt 与 PDB

4.3 公共数据库地图：NCBI、Ensembl、UniProt 与 PDB

本节摘要：公共数据库是这个领域的公共基础设施：参考序列、注释、变异、表达、结构与文献全在库里。本节按"找什么去哪"画出地图，并给出批量下载数据的标准姿势。

四大库的分工

NCBI（美国国家生物技术信息中心）是最大的综合枢纽：GenBank 收核酸序列，RefSeq 提供人工审校的参考序列，SRA 存高通量测序的原始读长（发文章的数据归档地），PubMed 检索文献，Gene 与 dbSNP 分别提供基因注释与变异记录。Ensembl（欧洲 EBI 与 Sanger 研究所运营）是 NCBI 的平行宇宙：同样提供参考基因组与注释，但注释管线独立、基因 ID 体系不同（ENS 开头），系统生物学界常用的比对框架与变异库（Ensembl Variation）也在旗下。UniProt 是蛋白知识的权威库：Swiss-Prot 部分经人工审校，每条记录整合了功能、结构域、亚细胞定位、翻译后修饰、互作与跨库链接。PDB 存实验测定的三维结构，3.7 节的 AlphaFold 预测库补上了预测结构的缺口。

图：公共数据与知识库的地图

批量拿数据的标准姿势

网页点下载只适合单条记录；项目级的数据获取要走程序化接口或整库镜像。几个惯用入口：Entrez（NCBI 的 API，Biopython 的 Entrez 模块封装了它）、BioMart（Ensembl 的批量查询引擎，取"某物种某染色体的全部蛋白编码基因坐标"这类问题一气呵成）、FTP/rsync 全库镜像（SRA Toolkit 的 prefetch 拉原始数据）。数据重用也有伦理边界：SRA 数据里可能藏着受试者可识别信息，人类数据的使用要遵循库里的数据使用政策与原始论文的授权声明。

# Biopython 走 Entrez：取某基因的 FASTA（示例用 E. coli 的 lacZ）
from Bio import Entrez

Entrez.email = "you@example.edu"        # NCBI 要求留联系方式
handle = Entrez.efetch(db="nucleotide", id="NC_000913.3",
                       rettype="fasta", retmode="text",
                       seq_start="3652778", seq_stop="3655413")
print(handle.read()[:120])
​

浏览器：把坐标变成图

Genome Browser 类工具把 FASTA、注释、比对结果叠加在坐标轴上，是人工核查的利器。UCSC Genome Browser 胜在轨道丰富（保守性、重复序列、已知变异全部现成）；Ensembl 浏览器胜在注释细；IGV（Integrative Genomics Viewer）是本地工具，直接拖 BAM 进来看 pileup——2.3 节画的那张比对图就是 IGV 的日常视角。变异位点的人工复核、差异基因区域的浏览、结构变异断裂点的确认，全都发生在浏览器里。把浏览器操作当成分析的固定环节，你会在统计结果与序列证据之间建立起直觉的闭环。

人类数据的访问控制与隐私

人类受试者的组学数据分开放与受控两级。开放级数据（多数肿瘤细胞系、已充分去标识的汇总数据）直接下载；受控级数据（来自可识别人群的基因组数据）存放在 dbGaP、EGA 这类受控归档库，要用要提交申请——说明研究用途、签署数据使用条款、经数据提供方与合规层批准，周期以周计。申请材料里最常见的退回原因是用途描述与研究计划不匹配，所以项目立项时就该把数据申请排进时间表。

分析端同样有义务：受控数据不上传到不受控的公有计算环境、结果里不出现试图还原个体身份的统计（如某些位点组合的联合查询）。这些约束写在数据使用条款里，违反不只是伦理问题，还可能牵连所在机构的全部申请权限。合规动作并不重：数据落盘在受控环境、分析代码与去标识结果分离管理、论文只用聚合统计——三件事做到位，绝大多数条款就满足了。

数据报送：把你的数据放进地图

数据库地图是双向的：既取也存。发表语境下的数据报送已成硬要求：测序原始数据进 SRA/ENA（拿登录号写进论文），表达与功能组矩阵进 GEO/ArrayExpress，变异清单进 ClinVar（临床相关位点），蛋白组质谱数据进 PRIDE，结构进 PDB。报送的工程要点是提前准备元数据——样本描述、实验设计、处理流程，这些字段的规范程度决定数据被别人复用的价值；很多库支持提交前校验，投稿排期前先把校验跑通，能省掉发表前的最后一刻慌乱。

数据报送的价值不止于合规：入库的数据获得永久标识（登录号或 DOI），你的分析结果因此变得可引用、可比较、可被后续研究站在上面。领域知识就是这样滚起来的——你取用别人的参考序列与数据集，也以同样方式还回去。

顺带补一条检索技巧：跨库找同一基因的信息，认准稳定的标识符（如 Ensembl 基因 ID 或 UniProt 登录号）作主键，基因符号会随命名委员会的更新而变（同一符号在不同时期可能指不同基因），符号当主键是数据拼接错位的常见根源。工整的做法是把符号到 ID 的映射表随分析脚本一起保存，几年后重跑时映射关系仍然可查。

💡 关键直觉：数据库地图的核心是"版本即身份"。任何一条从库里取出的序列或注释，脱离了版本号就失去了可追溯性——论文里那句"基于 GRCh38 与 Ensembl 108 注释"，是结果可信度的地基。

知识有了来源，方法也要有来源：下一节看机器学习怎么进入生物学，以及它的适用边界。