RNA-seq投稿时，参考基因组和注释版本怎样写到可复现？

一篇RNA-seq论文的方法部分写“比对到人类参考基因组并按基因注释计数”，却没留下所用文件的版本。读者即使用同一比对软件，也可能下载到更新后的序列或注释，得到不同的基因集合与计数。投稿前要把“参考基因组”和“基因注释”作为两项输入分别追溯，再核对二者与结果表是否出自同一轮分析。NCBI RefSeq的注释有可引用的发布编号，GENCODE也按版本提供与组装相联系的文件；只写数据库名称不够定位具体输入。

把序列和注释拆成两行记录

参考基因组记录至少写明物种、来源、组装名称及版本、实际使用的序列文件。以人类数据为例，笼统的“hg38”能提示大致组装，却无法说明是否纳入补丁、替代位点或某些非主染色体序列。注释记录则写来源、发布版本、文件类型及选择的范围，例如基因组主染色体上的GTF，还是含其他组装区域的文件。GENCODE的同一发布页就可能提供CHR、PRI、ALL等不同范围；不能因为版本号相同，就把文件内容当成完全相同。

接手旧项目，先翻下载清单、索引构建命令、工作流配置和归档文件；不能用网站今天的最新版替旧分析填写方法。若找不到确切文件，不应猜一个看起来合理的版本；可以根据保留的日志和索引文件继续追查，并在稿件中如实说明能确认的范围。保留下载日期和文件校验值有助于团队确认手中的文件是否一致，但校验值不能替代来源与版本说明。

核对文件是否参与了同一条分析链

参考序列用于比对或构建索引，注释用于定义基因和转录本、辅助计数；还要分清分析流程究竟按基因组比对，还是采用转录本层面的定量。稿件里列出的版本必须对应实际命令或工作流，不应把实验室常用版本抄进当前项目。检查基因组文件的序列名称与注释文件的坐标名称能否对应，例如同一数据里一边使用带“chr”的名称，另一边没有。名称不一致可能使一部分注释无法正确对应序列，但也不能仅凭名称一致就断言两个文件在生物学上完全兼容。

设想研究组先用一版GENCODE注释建立索引，后期又用另一版给差异基因表补充名称。方法部分应分别说明定量输入和后期注释来源，结果表也要注明哪些列经过再次映射。若新版基因标识发生变化，不能直接把新名称覆盖原计数矩阵而不留映射记录。这是一个自拟情境，真实稿件应以项目文件、分析脚本和表头为准。

投稿前可抽查三处：方法段的组装及注释版本、可复用的索引或脚本参数、数据仓储中表达矩阵的基因标识。再核对补充方法与正文使用同一套名称。若研究为了跨队列比较而重新统一处理，应写清哪些样本按同一版本重跑，哪些只做了标识映射。把版本写全的目的，是让后来者知道结果从哪一套输入文件来，而不是宣称某个版本必然更准确。

参考信息：NCBI RefSeq人类基因组注释说明；GENCODE人类基因注释发布页；ENCODE统一分析流程论文。