巨坑！基因家族鉴定/分析，基因功能研究，一步之差，努力白费！

写在前面

不知为何，几乎每天我都会收到一些「基因家族分析」的论文审稿邀请，其中质量参差不齐，但有不少论文作者团队非常友好，总是留下一个非常好提问机会。那就是「基因家族成员序列有问题」这意味着，得重做。对于一个以「基因家族分析」为主题的工作来说，往往相关表格和图片都得重新来。如果不小心，用了错误的基因序列做功能验证，那更是白费一年时间。
当然，对于审稿人不小心的情况，也比比皆是。简单通过 google scholar 搜索，可以很快找到一大堆已发表的论文，从主图来看，有经验的审稿人一眼就看出问题。这个错误的责任，20%归结于发布基因组的人，更有80%归结于进行基因家族鉴定工作的人。后者，我觉得还是要精细一些。

几个示例

上图由于串联重复基因被注释成一个，从 motifs pattern 就可以看出来问题。图片得重做，表格得更新！

上图由于注释错误，应该是将近端的基因注释成UTR，图片得重做，表格得更新！

上图将近邻的基因直接注释成ORF，所以导致超长CDS。图片得重做，表格得更新！

如上，超长UTR

串联重复或者近邻基因被注释进来的。

上图讲近邻的基因直接注释成ORF，所以导致超长CDS。图片得重做，表格得更新！

明显缺胳膊少腿，注释问题。

处理问题

对于这类基因结构注释错误，如何处理？我记得 5 年前，类似情况发文占比可能更高的一些。我一直在提议也强调这个问题值得重视：

1. 对于做基因组的朋友来说，高质量的序列要高质量的注释才是高质量的参考；
2. 对于做基因功能研究的朋友来说，错误的注释可能会直接让数年努力白费；
3. 对于做基因家族分析的朋友来说，还是要精细一点，做一点可能的贡献。

这五年来，为了应对这一问题，我大体分成三个阶段给出解决办法：

1. 开发了 TBtools 的 Re-construct GXF ，这一功能可以基于用户输入的转录本序列和参考基因组序列，自动生成一个借用的GXF，我相信我提出来的时候，应该没啥人去注意这个事情，至少没有人让这个事情变得如此简单。当然，我必须说明，北大高歌老师的GSDSv2网站内部应是有做一些处理完成这个工作。有了这个功能，用户完全可以基于区间预测CDS或者EXON结构，得到序列后重构。稍显麻烦，后期利用GXF也比较麻烦；
2. 开发了 IGV-GSAme （Gene Structure Annotation Manual Editor），基于IGV源码重度开发的版本，这一版本事实上是基于前述我写的 IGV-sRNA。使用这一版本，用户可以直接对 IGV 的 GXF Track 进行基因结构注释调整。说实话，这个修改直接让我不想再看到 IGV-sRNA 和 IGV-GSAme，因为修改后感觉已经把 IGV 改得乱七八糟。用起来完全没什么，但是真的很奇怪，我总觉得哪里会出问题，同时改造结果不在我的控制范围内。
3. 开发了 IGV-GSAman（Gene Structure Annotation Manipulator），同样是基于 IGV 源码改造，不过这次的改造我很满意。这个改造其实是基于第二次 IGV-sRNA 来写的（IGV-sRNA也是重新开发，只是觉得没必要增加一个v2，我觉得前后没啥区别，实现逻辑有很大优化，仅此而已）。GSAman 不同，他跟 GSAme 完全是不同的东西。自然，本身GSAman其实....是一个简单的功能或者特性开发尝试，我只是想试试能不能在 IGV 里面加一个自定义的 Track，但是没想到真干成了.....

于是现在有了 IGV-GSAman，他可以帮助几乎所有人解决「基因结构注释偏差」的问题。

更多特性，推荐大伙参考 GSAman Cookbook。说实话，真的很强！

欢迎了解基因结构注释人工矫正软件 GSAman，目前软件未发表，处于内测阶段，有需要可以 参考文档操作，进内测群获取下载链接，《GSAman Cookbook》: https://www.yuque.com/cjchen/ra7ghy

写在最后

我从未做过一个基因家族分析的论文，但可能我审过基因分析论文有太多。我仍然不太希望有朋友因为这类简单的偏差，导致半年一年的东西要从头再来。对于基因功能研究的朋友，更是如此。
如果我们从一开始就做对，那或许路子就没那么坎坷~