第一阶段：生物学基础（不可跳过）

对应大纲第一阶段目标：建立最小化的分子生物学认知框架，能读懂领域文献的背景介绍预计完成时间：2-3 周（每天 1-2 小时）

为什么"不可跳过"？

很多程序员的第一反应是：我只要会处理文件格式、跑工具就行了，生物学背景可以边做边补。

这个想法在前 3 个月会让你陷入一个困境：你能跑通流程，但看不懂结果。

举个具体的例子：GATK 输出的 VCF 文件里有一列叫 GT，值是 0/1 或 1/1。工具文档告诉你这叫"基因型"。但如果你不知道人类基因组是二倍体（每个位置有两个拷贝），你就不会理解为什么 0/1 叫杂合子、1/1 叫纯合突变，也不会理解为什么某些遗传病需要 1/1 才发病（隐性遗传），而某些只需要 0/1 就够了（显性遗传）。

本阶段的目标不是让你变成生物学家，而是建立足够的直觉，让你能：

看懂论文方法部分的背景描述
理解工具参数设计背后的逻辑
和生物学家/临床医生沟通时不一脸懵

1.1 中心法则（Central Dogma）

先给你一个直觉

细胞是一台运行生命程序的计算机。它的存储介质是 DNA，运行时系统是 RNA，最终产物是 蛋白质。

DNA  ──转录──▶  RNA  ──翻译──▶  蛋白质
（硬盘）        （内存）        （程序运行的结果）

这就是 1958 年 Francis Crick 提出的"中心法则"：遗传信息的流向是单向的，从 DNA 到 RNA 到蛋白质。

DNA：硬盘，存储原始信息

DNA（脱氧核糖核酸）是一种双链螺旋分子，由四种碱基组成：

碱基	缩写	配对关系
腺嘌呤	A	与 T 配对
胸腺嘧啶	T	与 A 配对
鸟嘌呤	G	与 C 配对
胞嘧啶	C	与 G 配对

双链的意思是：一条链是 ATCGGTA...，另一条链就一定是它的互补链 TAGCCAT...。这个配对规则（A-T、G-C）是生物信息学里出现频率最高的概念之一——序列比对、引物设计、PCR，全都建立在这个规则上。

# 计算 DNA 互补链（这在生物信息分析中很常用）
def reverse_complement(seq):
    complement = {'A': 'T', 'T': 'A', 'G': 'C', 'C': 'G', 'N': 'N'}
    return ''.join(complement[b] for b in reversed(seq))

print(reverse_complement("ATCGGTA"))  # TACCGAT

人类 DNA 有多长？
人类基因组约有 30 亿个碱基对（3 × 10⁹ bp）。如果把 DNA 拉直，每个细胞里的 DNA 加在一起约有 2 米长。一个普通文本文件里，30 亿个字符大约是 3GB——这就是为什么基因组数据管理本身就是一个工程问题。

染色体：DNA 的打包方式
人类有 46 条染色体（23 对），每条染色体就是一段被蛋白质（组蛋白）缠绕压缩的 DNA。你可以理解为：如果基因组是一个 3GB 的项目代码库，染色体就是 23 个模块目录（因为是两套，所以共 46 个）。

RNA：内存，临时执行用的中间体

RNA（核糖核酸）和 DNA 很像，主要区别：

单链而非双链
用 U（尿嘧啶） 代替 T（胸腺嘧啶）
不稳定，用完即降解（这正是它作为"内存"的特性）

当细胞需要某个蛋白质时，不会直接读取 DNA——DNA 太珍贵，不能随便访问。它会先把对应基因的 DNA 序列转录成 RNA，再用 RNA 来指导蛋白质合成。

RNA 有多种类型：

类型	全称	功能
mRNA	信使 RNA	携带蛋白质的编码信息（你在 RNA-seq 里测的主要是它）
rRNA	核糖体 RNA	核糖体的组成部分，参与翻译
tRNA	转运 RNA	把氨基酸送到核糖体，对应密码子
miRNA	微小 RNA	调控基因表达（约 22 个碱基长）
lncRNA	长非编码 RNA	调控功能，研究热点之一

为什么 RNA 对生物信息学重要？
RNA-seq 测序测的就是细胞里的 mRNA 含量。mRNA 越多，说明这个基因的表达量越高，对应蛋白质的产量也越多。这是研究基因功能、疾病机制的核心方法之一。

蛋白质：程序运行的产物

蛋白质是由氨基酸按特定顺序连接成的链（多肽链），折叠后形成三维结构，执行各种功能：

酶（加速化学反应）
受体（接收信号）
结构蛋白（提供支撑）
转录因子（调控其他基因的开关）

密码子：三个碱基编码一个氨基酸
RNA 序列每 3 个碱基为一组，称为一个密码子（codon），对应一种氨基酸（共 20 种）。4³ = 64 种密码子编码 20 种氨基酸，因此存在冗余（多个密码子对应同一氨基酸）。

mRNA:  AUG  GCA  AAU  UGA
氨基酸: Met  Ala  Asn  Stop

AUG 是起始密码子（相当于 main() 函数入口），UAA/UAG/UGA 是终止密码子（相当于 return）。

# 标准密码子表（部分）
codon_table = {
    'AUG': 'Met',  # 起始密码子
    'GCA': 'Ala', 'GCC': 'Ala', 'GCG': 'Ala', 'GCU': 'Ala',  # 冗余
    'UAA': '*', 'UAG': '*', 'UGA': '*',  # 终止密码子
    # ...共 64 个
}

转录过程（DNA → RNA）

转录发生在细胞核里，由 RNA 聚合酶（RNA Polymerase）驱动：

RNA 聚合酶识别基因的启动子（Promoter）区域，结合 DNA
沿 DNA 模板链移动，按碱基互补原则合成 RNA 链（A→U，T→A，G→C，C→G）
遇到终止子（Terminator）序列后停止
产生的原始 RNA（pre-mRNA）还需要加工：
- 加 5' 帽子（保护 mRNA 不被降解）
- 加 poly-A 尾（同上）
- 剪接（Splicing）：去除内含子，拼接外显子

剪接（Splicing）是一个关键概念：
人类基因平均有 8-10 个外显子，被内含子隔开。成熟 mRNA 只包含外显子序列。同一个基因可以通过不同的剪接方式（可变剪接，Alternative Splicing）产生多种 mRNA，进而产生功能不同的蛋白质。这就是为什么人类只有约 2 万个基因，却能产生超过 10 万种蛋白质。

pre-mRNA: [外显子1] [内含子1] [外显子2] [内含子2] [外显子3]
                      剪接 ↓
成熟mRNA:  [外显子1] ──────── [外显子2] ──────── [外显子3]

翻译过程（RNA → 蛋白质）

翻译发生在细胞质里，由核糖体（Ribosome）执行：

核糖体结合到 mRNA 上，从起始密码子（AUG）开始
tRNA 携带对应氨基酸，按密码子顺序一个个对接
氨基酸之间形成肽键，链条延伸
遇到终止密码子，多肽链释放，折叠成功能性蛋白质

为什么这和"数据 pipeline"是同一类问题？

中心法则描述的是一套单向信息流处理系统：

DNA         →   RNA        →   蛋白质
原始数据        中间表示       最终产出
（Git 仓库）    （编译产物）   （运行中的程序）

类比关系：

启动子 ≈ 触发 pipeline 的事件（如 cron 触发、API 请求）
转录因子 ≈ 开关某个 pipeline 的配置项（feature flag）
可变剪接 ≈ 同一套代码在不同参数下产生不同版本
蛋白质降解 ≈ 容器生命周期管理（用完销毁）
表观遗传修饰 ≈ 环境变量（不改代码，但影响运行行为）

这个类比不是玩文字游戏——生物学本质上是一套信息处理系统，只是底层用化学实现的。理解这一点，会让你在面对陌生的生物学概念时，能快速找到对应的计算机科学直觉。

1.2 基因组基础概念

概念全景

概念	类比	实际含义
基因组（Genome）	整个代码仓库	人类约 30 亿碱基对，包括编码区和非编码区
染色体（Chromosome）	代码库的模块目录	人类 23 对，共 46 条
基因（Gene）	一个函数	编码特定蛋白的 DNA 片段，约 2 万个
外显子（Exon）	函数体的有效代码	被翻译成蛋白质的部分，约占基因组 1.5%
内含子（Intron）	函数体内的注释	转录后被剪切掉，不编码蛋白质
启动子（Promoter）	函数声明前的装饰器	控制基因何时、在哪里表达
SNP	代码里的一个字符差异	个体遗传差异的基础，约 500 万个
Indel	代码里插入/删除一段	插入或缺失几个碱基
突变（Mutation）	Bug	可能致病，也可能无影响
等位基因（Allele）	同一函数的不同版本	二倍体生物每个位置有两个等位基因

人类基因组的数字

了解这些量级，才能对数据处理有直觉：

总碱基对数：  ~3,200,000,000 bp (3.2 Gbp)
基因数量：    ~20,000 个（蛋白质编码基因）
外显子总长：  ~35,000,000 bp（约占 1.5%）
常见 SNP 数：  ~10,000,000 个
一个人的文件大小（FASTQ, 30× WGS）：~100 GB
压缩后（BAM）：~30-40 GB

只有约 1.5% 的基因组编码蛋白质——其余 98.5% 曾被称为"垃圾 DNA"，但现在知道其中包含大量调控元件、结构 RNA 等功能性序列。WGS 测全部，WES 只测那 1.5%，Panel 测更少。

二倍体与基因型

人类是二倍体生物：每条染色体有两个拷贝（一个来自父亲，一个来自母亲）。因此每个基因组位置有两个等位基因。

位置 chr1:925952：
  父源染色体：G（参考等位基因）
  母源染色体：A（变异等位基因）
  
基因型表示：0/1（杂合子，heterozygous）
如果两条都是 A：1/1（纯合突变，homozygous alternate）
如果两条都是 G：0/0（纯合参考，homozygous reference）

这就是 VCF 文件里 GT 字段的含义。

临床意义：

显性遗传病（如亨廷顿病）：一个拷贝突变（0/1）就会发病
隐性遗传病（如囊性纤维化）：需要两个拷贝都突变（1/1）才发病
这就是为什么携带者（0/1）不发病，但子女有 25% 概率得病

SNP：个体差异的基础

SNP（Single Nucleotide Polymorphism，单核苷酸多态性）是基因组中特定位置上个体之间的碱基差异。

人群参考序列：...ATCG[G]TACG...
个体 A：      ...ATCG[G]TACG...（和参考一致）
个体 B：      ...ATCG[A]TACG...（有 SNP，G→A）

SNP 的三种重要类型：

同义 SNP（synonymous）：改变 DNA 但不改变氨基酸（密码子冗余导致）
```
GCA → GCG  两者都编码 Ala，蛋白质功能不变
```
错义 SNP（missense）：改变氨基酸，可能影响蛋白质功能
```
GAG → GTG  Glu → Val，这就是镰刀型细胞贫血症的突变
```
无义 SNP（nonsense）：产生提前终止密码子，蛋白质被截断
```
CAG → TAG  Gln → Stop，蛋白质提前终止
```

如何理解 SNP 频率：

常见 SNP（人群频率 > 1%）：通常是中性的，是进化过程中保留的多样性
罕见变异（频率 < 0.1%）：更可能对蛋白质功能有影响，是遗传病研究的重点
de novo 突变：在父母中没有，在孩子中首次出现的突变，常见于重症遗传病

Indel：插入和缺失

Indel 是 Insertion（插入）和 Deletion（缺失）的合称。

参考序列：ATCG--TACG
有插入的：ATCGAATACG（插入了 AA）
有缺失的：AT--GTACG（缺失了 CG）

为什么 Indel 比 SNP 更危险？
如果 Indel 的长度不是 3 的倍数，会导致移码突变（Frameshift Mutation）——密码子的阅读框完全错乱，后续所有氨基酸都变了，蛋白质通常失去功能。

# 移码突变示意
original  = "ATG GCA AAU CGA UGA"  # Met-Ala-Asn-Arg-Stop
# 插入一个 T 在第 4 位
frameshift = "ATG TGC AAA UCG AUG A..."  # 完全不同的氨基酸序列

基因表达：同样的 DNA，不同的细胞

人体所有细胞（肝细胞、神经元、红细胞）都含有完全相同的基因组，但它们的形态和功能截然不同。原因是不同细胞会表达不同的基因子集。

控制基因表达的机制：

转录因子：结合到启动子/增强子上，激活或抑制转录
表观遗传修饰（Epigenetics）：不改变 DNA 序列，但影响基因是否被读取
- DNA 甲基化（methylation）：通常抑制基因表达
- 组蛋白修饰（histone modification）：影响 DNA 的紧密程度
增强子（Enhancer）：可以在距离基因很远的地方控制基因表达

同样的 DNA 代码，不同的运行时配置 → 不同的运行结果
   ↕                    ↕
同样的基因组，不同的表观遗传状态 → 不同的细胞类型

参考基因组：你的"标准库"

生物信息分析里有一个叫参考基因组（Reference Genome）的概念，它是一个"标准人"的基因组序列，用于：

测序 reads 的比对（把短片段定位回基因组的位置）
变异检测的基准（和参考基因组不同的地方就是变异）

常用人类参考基因组版本：

版本	别名	说明
GRCh37	hg19	2009 年发布，很多老数据用这个
GRCh38	hg38	2013 年发布，目前主流，修正了很多错误
T2T-CHM13	hg002	2022 年的端粒到端粒完整版，未来趋势

注意：hg19 和 hg38 坐标不兼容！ 同一个基因在两个版本里的染色体坐标可能完全不同。混用会导致严重错误。这就像 API 版本不兼容——一定要在分析开始前确定用哪个版本，全程保持一致。

# 下载 hg38 参考基因组
wget https://hgdownload.soe.ucsc.edu/goldenPath/hg38/bigZips/hg38.fa.gz
# 构建 BWA 索引（比对前必须做）
bwa index hg38.fa

1.3 三个关键概念深入：变异、频率、功能影响

变异 vs 突变 vs 多态性

这三个词在不同语境下有微妙区别：

词	英文	含义
变异	Variant	中性词，和参考基因组不同的位置
突变	Mutation	通常指有功能影响或致病的变异
多态性	Polymorphism	在人群中频率 ≥ 1% 的常见变异

在代码里你会看到 VCF 文件（Variant Call Format），存储的是"变异"，不预设功能影响。注释步骤（ANNOVAR/VEP）才会给每个变异打上"致病性"标签。

变异数据库：读懂注释结果的关键

数据库	内容	用途
dbSNP	已知 SNP 的 rs 编号	`rs1234` 这类 ID 就来自这里
gnomAD	14 万人的变异频率	判断变异是否罕见
ClinVar	临床意义注释	致病性、良性、意义不明
HGMD	人类基因突变数据库	已知致病突变的收录

实际分析中的过滤逻辑：

候选变异 100,000 个
  ↓ gnomAD 频率 < 0.1%（过滤常见多态性）
剩余 ~5,000 个
  ↓ 仅保留编码区变异（错义、无义、移码）
剩余 ~500 个
  ↓ ClinVar 已知致病 + 预测工具（CADD score > 20）
剩余 ~20-50 个
  ↓ 与临床表型匹配的基因
最终候选：1-5 个

1.4 一个完整的例子：从 DNA 到遗传病

让我们用一个真实案例把所有概念串起来：镰刀型细胞贫血症（Sickle Cell Disease）

背景：

致病基因：HBB（β-血红蛋白）
变异：chr11:5,246,696，G → A（hg38 坐标）
密码子变化：GAG → GTG
氨基酸变化：Glu（谷氨酸）→ Val（缬氨酸），蛋白质第 6 位
遗传方式：常染色体隐性（需要 1/1 才发病）

信息流：

DNA:     ...CAC CTG ACT CCT GTG GAG AAG...（正常）
              ↓ 突变 G→A
         ...CAC CTG ACT CCT GTG GAG AAG...
                                 ↑
                         这个 G 变成了 A
                         
mRNA:    GAG → GTG
蛋白质:  Glu → Val（HbS 蛋白的第 6 个氨基酸）
结果:    HbS 蛋白在低氧环境下聚合，红细胞变成镰刀形，阻塞毛细血管

在 VCF 文件里，这条变异长这样：

chr11  5246696  rs334  T  A  .  PASS  AF=0.006;AC=12

（注意：VCF 里显示的是反义链，所以 REF 是 T 而不是 G）

注释后的信息（ANNOVAR 输出）：

Gene: HBB
Effect: nonsynonymous SNV
AA Change: p.Glu7Val  (注意：有的标注方式从第6位算，有的从第7位)
ClinVar: Pathogenic
gnomAD AF: 0.006 (非洲人群中更高)
CADD Score: 24.5 (> 20 认为有功能影响)

1.5 自测题

读完本节后，你应该能回答这些问题：

为什么可变剪接让 2 万个基因能产生超过 10 万种蛋白质？
VCF 文件里的 GT: 0/1 和 GT: 1/1 分别意味着什么？
一个 Indel 如果长度是 6 bp，会导致移码突变吗？
为什么 hg19 和 hg38 坐标不能混用？
一个变异在 gnomAD 里频率是 30%，它更可能是致病突变还是正常多态性？

1.6 推荐资源（带使用建议）

入门视频

MIT OpenCourseWare: 7.016 Introductory Biology

地址：B 站搜索"MIT 7.016"有中文字幕搬运版
建议：先看第 1-6 讲（约 9 小时），覆盖中心法则和基因表达
跳过：遗传学实验操作部分（对生物信息方向意义不大）

Khan Academy 生物学系列

中心法则部分：约 2 小时，讲解清晰，有动画
适合用来补充不理解的具体概念

教材

《生物信息学》（陈铭主编，清华大学出版社）

国内大学课程用书，数学和编程背景的人会觉得比较亲切
重点读：第 1-3 章（序列数据库、序列比对基础）

《Bioinformatics Data Skills》（Vince Buffalo）

英文，面向有编程基础的读者
第 1-3 章是很好的生物学背景介绍

在线资源

NCBI Insights 博客 (ncbi.nlm.nih.gov/insights)

了解数据库更新和背后的设计逻辑
特别推荐：关于 RefSeq 和 GenBank 区别的文章

Ensembl 基因浏览器（ensembl.org）

直接在浏览器里看一个基因的结构：外显子、内含子、已知变异
推荐练习：搜索 BRCA1，看它有多少个外显子，有哪些已知致病变异

动手练习建议

第一周：

# 在 UCSC Genome Browser 里看 HBB 基因的结构
# 网址: genome.ucsc.edu → 搜索 HBB → 查看 Gene tracks

第二周：

# 用 Biopython 解析一个简单的基因序列
from Bio.Seq import Seq
dna = Seq("ATGGCCATTGTAATGGGCCGCTGAAAGGGTGCCCGATAG")
mrna = dna.transcribe()   # ATGGCCAUUGUAAUGGGCCGCUGAAAGGGUGCCCGAUAG
protein = dna.translate()  # MAIVMGR*KGAR*
print(protein)

第三周：

在 ClinVar 里查找 BRCA1 的致病变异，理解注释信息的每个字段
在 gnomAD 里查找一个常见 SNP 和一个罕见变异，对比它们的人群频率

本阶段完成标志

当你能做到以下几点，说明第一阶段目标达成：

能向别人解释"为什么 RNA-seq 能测基因表达量"（不超过 3 句话）
看到 VCF 文件里的 GT:DP:GQ 字段，知道每个字段大概是什么意思
能区分 WGS、WES、RNA-seq 分别在测什么、用在什么场景
知道 hg19 和 hg38 是什么，为什么不能混用
能用 Biopython 或纯 Python 处理简单的 DNA/蛋白质序列

完成后，进入 第二阶段：核心数据格式——真正开始动手跑测序数据分析。

第一阶段：生物学基础（不可跳过）

为什么"不可跳过"？​

1.1 中心法则（Central Dogma）​

先给你一个直觉​

DNA：硬盘，存储原始信息​

RNA：内存，临时执行用的中间体​

蛋白质：程序运行的产物​

转录过程（DNA → RNA）​

翻译过程（RNA → 蛋白质）​

为什么这和"数据 pipeline"是同一类问题？​

1.2 基因组基础概念​

概念全景​

人类基因组的数字​

二倍体与基因型​

SNP：个体差异的基础​

Indel：插入和缺失​

基因表达：同样的 DNA，不同的细胞​

参考基因组：你的"标准库"​

1.3 三个关键概念深入：变异、频率、功能影响​

变异 vs 突变 vs 多态性​

变异数据库：读懂注释结果的关键​

1.4 一个完整的例子：从 DNA 到遗传病​

1.5 自测题​

1.6 推荐资源（带使用建议）​

入门视频​

教材​

在线资源​

动手练习建议​

本阶段完成标志​