gencode-高质量的基因注释信息数据库

对于人和小鼠而言，NCBI, Ensembl等数据库都保存了对应的基因注释信息，不同数据库中的信息来源和可信度都不一样，gencode综合HAVANA和Ensembl 数据库中的信息，通过实验手段加以验证，从而构建一个高质量的注释信息数据库。网址如下

https://www.gencodegenes.org/

官网提供了GTF和GFF3两种格式的文件以供下载，示意如下

每种类型的文件提供了3种区域

1. CHR

2. ALL

3. PRI

对于基因组而言，包括了chromsome，unplaced_scaffold, alt_scaffold, patch等序列，这些序列上都存在对应的基因。CHR指的是染色体级别的信息，包括细胞核内的染色体和线粒体；ALL包括所有的序列，PRI只包含染色体和unplaced_scaffold序列上的信息。官方推荐，使用CHR级别的信息。

文件中采用level来表示注释信息的可信度，目前共包括3个level。

level1代表可靠的注释信息，有直接的实验证据支持的注释信息；level2代表的是经过人工校对的注释信息，取HAVANA和Ensembl注释信息中一致的注释信息；level3指的是软件注释的信息，通常是Ensemble中和HAVANA不一致的注释信息。

如果想要得到更高可信度的注释信息，可以根据level进行过滤，只选择1和2这两个层级的注释信息。

文件中共包含的基因和转录本的个数统计如下

1. human

2. mouse

在文件中，会给出基因或者转录本的类型信息，解释如下

1. protein_coding
   蛋白编码基因

2. lincRNA
   位于基因间区的长链非编码RNA

3. non_coding
   文献中证实的非编码RNA
   
   

完整的基因类型信息详见以下链接

https://www.gencodegenes.org/gencode_biotypes.html

·end·