特定的物种能否开展测序项目，需要对该物种的基因组信息进行评估。通常完整的基因组注释信息文件应该包括：
① fasta/fa格式，即基因组序列信息，里面通常以>chr1表示染色体信息，ACGT等表示染色体下具体的基因组信息。
② gff/gtf文件，即基因组中特征文件信息。这是一种文本文件，里面具体某个基因在基因组上是正义链(+)还是反义链(-)，什么位置到什么位置属于外显子等都在这个文件内。后面评估该物种是否符合分析，这个文件非常重要。
③ gene annotation，即基因备注or注释信息。这边特指某些基因一些注释信息，如钙离子转运蛋白、磷酸化转移酶等相应基因功能注释都在这个文件中。这种文件为可选，并不是必须的。
所以接下来，我们在这里介绍几种基因组查找的方法。需要注意的是，目前主流查找基因组的方法里面，基因组注释信息储存最多的是美国的NCBI，其次为欧洲生物信息学中心的ensembl，旗下包括ensmebl（主要为一些模式动物）、ensembl plants以及ensembl Metazoa。另外美国能源部JGI以及各个课题组自己构建的基因组数据库上也能下载到fasta和gtf文件。
这些fasta文件和gtf文件，Windows运行环境下只要不是太大，都是可以使用一款名为Notepad++文本软件打开的。这边不建议打开超过300MB大小的文件，如果太大的话可以现在Linux环境中使用head命令或者cut shell指令切割几千行输出一个较小的文本文件来进行查看。
这边模式物种和常见物种如人、小鼠、线虫等建议使用Ensembl数据库，水稻、番茄建议使用Ensembl Plants数据库，昆虫或其他物种可以前往Ensembl Metazoa或NCBI下载。部分植物和真菌在美国能源部JGI数据库也有存储。
我们先以Ensembl为例进行介绍，另外NCBI以及JGI也大同小异。
第一步如上图所示，打开https://www.ensembl.org/index.html ，点击View full list of all species后我们选择Duck。
第二步按照红色框框处，点击超链接后，会进入到一个ftp界面。
这边特别需要gtf文件或gff文件。ensembl往往在FTP中有好几个gtf文件，我们选择chr.gtf.gz结尾的即可，我们不需要在gtf里面添加其他信息，只需要染色体上的基因注释信息即可。
第三步，基因组组装信息评估。
下一步就需要对基因组进行一些数据上的评估，我们继续回到刚才的界面，按照上图所示点击More information and statistics后出现了一些统计信息，我们大致有一个标准（不是绝对）参考如下：
① 序列一致性评估
基因组是通过reads组装得到，这一步，是将reads比到基因组上，验证reads对基因组的覆盖情况，用于评估组装的完整性以及测序的均匀性。较高的mapping rate（90%以上）以及coverage（95%以上）认为组装结果和reads有比较好的一致性。
② 序列完整性评估
所谓完整性评估，即评估组装得到的基因组对基因区的覆盖程度，一般需要借助RNA方面的证据进行评估，如EST数据或RNA reads。由于用来评估的RNA方面证据不同，得到的比例也会有差别。一般来说，50%的scaffold覆盖基因的95%以上，85%的scaffold覆盖基因的90%以上，认为组装较完整。
③ 准确性评估
通过全长BAC序列，可以通过与组装结果的比对，对组装结果的正确性进行验证，从BAC序列和scaffold是否具有较好的一致性来判断组装质量。
④ 保守性基因评估
即根据广泛存在于大量真核生物中的保守蛋白家族集合（248个core gene库），对组装得到基因组进行评估，评估组装基因组中的core gene的准确性和完整性。可以通过该物种和同源物种cegma的比例，判断保守基因组装情况。
第四步就是评估gtf或gff文件。
如果exon cds等信息没有出现，甚至出现大片段大片段的region，这种基因组注释文件注定是没办法继续用于后续分析的。理想状态是部分基因的exon数量比cds多，这种意味着带有UTR。有些gtf中只有cds没有exon，勉强也能分析。只有exon和cds注释信息全部缺失才无法进入下游分析。
gtf文件，Windows条件下只要不是太大，都是可以使用一款名为Notepad++文本软件打开的。这边不建议打开超过300MB大小的文件，如果太大的话可以现在Linux环境中使用head命令或者cut shell指令切割几千行输出一个较小的文本文件来进行查看。
点击图片进入OmicStudio资料汇总（整合了B站和公众号中的精品资源，及时更新，永久有效）返回搜狐，查看更多