数据来源

参考基因来源

mRNA：来源于参考基因组注释信息。

LncRNA：来源于参考基因组注释信息及 RNAcentral 数据库。

其中，RNAcentral 只提供规范的 RNA ID，没有提供基因 ID，没有提供规范的位置信息。其位置信息是通过使用 blat 将序列比对到基因组确定的。其基因 ID 的确定有两个步骤，首先与来自 NCBI 的已知 RNA 进行位置比较，若与已知 RNA 存在重叠区域，则使用该区域对应的基因 ID。若与已知 RNA 不存在重叠区域，则按照新基因的 ID 命名规则进行命名（BGIGxxxxxx）。

miRNA：来源于 miRbase 22 数据库及 BGI 过往测序数据预测得到的 miRNA。 对于预测的 miRNA，动物采用 mirdeep2 预测，植物采用 miRDeep-P2 预测，均为默认参数。

miRNA靶基因预测：采用多个软件进行预测，结合相应的过滤条件如自由能、得分值等进行过滤。一般来说，我们用RNAhybrid, miRanda和TargetScan来预测动物的靶基因，用Tapir和TargetFinder预测植物的靶基因。靶基因预测软件的默认参数如下：

• miRanda: -en -20 -strict
• RNAhybrid: -b 100 -c -f 2,8 -m 100000 -v 3 -u 3 -e -20 -p 1 -s 3utr_human
• TargetScan: Default
• Tapir: --score 5 --mfe_ratio 0.6
• TargetFinder: -c 4

circRNA: 来自 circBase，使用 blast 将序列对齐到基因组来确定位置信息。

数据库注释信息来源

KEGG 注释：KEGG 101.0

GO 注释：来源于 3 个数据库：

• Uniprot 蛋白的 GO 注释信息
  http://ftp.ebi.ac.uk/pub/databases/GO/goa/UNIPROT/goa_uniprot_all.gaf.gz
• NCBI 的 gene2GO
  ftp://ftp.ncbi.nih.gov/gene/DATA/gene2go.gz
• GO 官方推荐的 idmapping 信息 ftp://ftp.pir.georgetown.edu/databases/idmapping/idmapping.tb.gz 数据库下载时间是 2020.05

TF（转录因子）注释：

• 植物的已知转录因子信息来自 PlantTFDB v5.0
  PlantTFDB：http://planttfdb.gao-lab.org/
• 动物的已知转录因子来自 AnimalTFDB v3.0。动物除了 TF 信息外，还有 TF Cofactors 信息，同样来自 AnimalTFDB v3.0
  AnimalTFDB：http://bioinfo.life.hust.edu.cn/AnimalTFDB/#!/

MsigDB注释：仅提供人的 MsigDB 相关注释信息，版本为MsigDB v7.1。 Msigdb：http://software.broadinstitute.org/gsea/msigdb/

Genebank注释：：根据 ID 从 NCBI 中提取。 Interpro，pfam，EggNOG注释：与 GO 类似，是通过 GO 官方推荐的 idmapping 信息进行提取。 idmapping 信息下载时间是 2020.05 ftp://ftp.pir.georgetown.edu/databases/idmapping/idmapping.tb.gz

Reactome注释：Reactome 是通过官方提供的 NCBI2Reactome_PE_All_Levels.txt 的映射关系进行提取。 数据下载时间是 2020.06 https://reactome.org/download-data

CR2Cancer，CellMarker 注释：根据 ID 从相应数据库中提取得到的。CR2Cancer 只有人的注释信息，CellMarker 则只有人和小鼠的注释信息。

• CR2Cancer：http://cis.hku.hk/CR2Cancer/
• CellMarker：http://biocc.hrbmu.edu.cn/CellMarker/