RefSeq
来自医学百科
| 参考序列数据库 RefSeq | |
|---|---|
| 全称 | NCBI Reference Sequence Database |
| 维护机构 | NCBI |
| 核心特征 |
非冗余 (Non-redundant)、 经过人工审编 (Curated) |
| 核心用途 |
基因组注释、变异检测标准、 引物设计 |
| 典型前缀 |
NM_ (mRNA), NP_ (蛋白), NG_ (基因组) |
| 对AI价值 | 标准化的训练基准 (Ground Truth) |
RefSeq（Reference Sequence Database），即NCBI 参考序列数据库，是一个由美国国家生物技术信息中心（NCBI）维护的公开数据库。它提供了一套全面的、整合的、经过注释的非冗余序列集合，涵盖了 DNA、RNA 和蛋白质。
在生物医学界，RefSeq 被视为“金标准”。当您的“基因医生”系统告诉患者“您的 P53 基因发生了突变”时，潜台词实际上是：“您的 P53 基因序列与 RefSeq 中的标准序列（如 `NM_000546`）不一致”。[1]
核心前缀体系 (AI必须识别的编码)
RefSeq 使用独特的前缀系统来区分不同的分子类型。您的 AI 数据清洗脚本必须能够精准识别这些 ID：
| 前缀 | 分子类型 | 含义 | 您的业务场景 |
|---|---|---|---|
| NM_ | mRNA | 经过实验验证的转录本 | 最核心。临床报告中描述 cDNA 突变（如 c.524G>A）必须基于 NM 编号。 |
| NP_ | 蛋白质 | 对应的蛋白序列 | 用于描述氨基酸层面的改变（如 p.R175H）。 |
| NG_ | 基因组 | 基因组区域 | 用于描述跨越内含子的大片段缺失或扩增（CNV）。 |
| XM_ / XP_ | mRNA/蛋白 | 模型预测 (未验证) | 慎用。这些是计算机算出来的，未经人工确认，临床准确度较低。 |
RefSeq 与 GenBank 的区别
这是构建数据库时的核心架构问题：
- GenBank (存档库)：
- 多余性：如果有 100 个实验室测了同一个胰腺癌基因，GenBank 里就会有 100 条记录（良莠不齐）。
- 所有权：记录属于提交者，NCBI 无权修改错误，只能等作者改。
- RefSeq (标准库)：
- 非冗余：NCBI 专家从那 100 条里挑出（或合成）最好的一条，作为“标准答案”。
- 所有权：归 NCBI 所有，专家会根据最新科研进展实时修正注释。
- 结论：您的 AI 训练集输入可以包含 GenBank 以增加多样性，但输出标准（Ground Truth）必须是 RefSeq。
MANE 项目 (临床新标准)
对于您的“智慧医生”项目，这是一个非常高端的知识点。
- 问题：过去，美国的 NCBI (RefSeq) 和欧洲的 EBI (Ensembl) 对同一个基因的定义有时不一样（比如外显子长度不同），导致跨国临床数据打架。
- 解决方案：MANE (Matched Annotation from NCBI and EMBL-EBI)。这是一套美欧统一的“超级标准”。
- 建议：在您的临床报告中，优先引用 MANE Select 转录本，这是目前国际遗传学界推荐的最佳实践。
对 AI 药物研发的价值
- 靶点确认：在设计针对特定蛋白（如 KRAS G12D）的药物时，必须依据 RefSeq 的 `NP_` 序列来构建蛋白质三维结构模型（AlphaFold 通常也是基于参考序列预测）。
- 脱靶分析：使用 BLAST 将药物设计的序列（如 siRNA）与 RefSeq 全库比对，以确保它不会意外结合到其他重要的正常基因上。