隨著小麥基因組注釋版本的不斷更新，中國春（Chinese Spring）參考序列的基因編號也從舊版逐步遷移到新版。對于經(jīng)常處理轉(zhuǎn)錄組、比較基因組或重測序數(shù)據(jù)的生信研究者來說，ID不一致常常導致數(shù)據(jù)整合的“卡殼”時刻。最近，IWGSC（國際小麥基因組測序聯(lián)盟）發(fā)布了RefSeq Annotations v2.1，對應的基因ID格式從原來的TraesCS*02G*（v1.1）變?yōu)榱?code>TraesCS*03G*（v2.1）。如何快速、準確地將手中的舊版ID映射到新版？本文將基于官方對應關(guān)系，為你提供一套清晰的處理流程和一個可直接復用的腳本，幫你輕松跨過版本鴻溝。

為什么需要更新基因ID？

基因組注釋版本更新往往意味著基因模型更加準確、基因邊界更清晰、甚至合并或拆分了一些基因座。v2.1版本在v1.1的基礎(chǔ)上進行了大規(guī)模修正，因此ID命名規(guī)則也隨之改變（數(shù)字部分從02變?yōu)?3）。如果你正在使用Ensembl Plants、NCBI或IWGSC數(shù)據(jù)庫下載的v1.1時代的數(shù)據(jù)，而新發(fā)表的論文或公共數(shù)據(jù)已采用v2.1，ID映射就是無法繞開的第一步。

數(shù)據(jù)來源與官方映射文件

所有官方對應關(guān)系都打包在IWGSC提供的壓縮文件中，直接下載即可：

https://urgi.versailles.inrae.fr/download/iwgsc/IWGSC_RefSeq_Annotations/v2.1/iwgsc_refseq_all_correspondances.zip

解壓后得到一個名為iwgsc_refseq_all_correspondances.csv的表格。該表格包含四列，依次是：v1.0（最早的注釋版本）、v1.1（我們常用的舊版）、v2.1（新版）、css2014（另一套命名體系）。對我們來說，最關(guān)鍵的是第二列（v1.1基因ID）和第三列（v2.1基因ID）。

ID映射處理流程詳解

直接拿舊ID去表格里搜索可不行，因為表格中的ID都是基因級別（不帶轉(zhuǎn)錄本后綴），而且部分舊ID存在細微的格式錯誤。下面是經(jīng)過驗證的處理步驟：

第一步：去掉轉(zhuǎn)錄本版本號
你的ID通常是TraesCS2A02G206200.1這樣的形式，末尾的“.1”表示轉(zhuǎn)錄本版本。官方映射表只包含基因ID（無后綴），因此必須先去掉“.1”。如果某基因有多個轉(zhuǎn)錄本，映射后也只會得到一個基因級的新ID。

第二步：修正常見格式錯誤
在實際處理中，我們發(fā)現(xiàn)兩類典型錯誤：

• 前綴缺失或錯位：如“raesCS2A02G206200.1”明顯少寫了“T”，需要補全為“TraesCS2A02G206200.1”。
• 數(shù)字位數(shù)不足：例如“TraesCS6A02G04170.1”實際上應該是“TraesCS6A02G041700.1”（數(shù)字部分固定為6位，缺位補零）。這些錯誤如果不修正，將無法匹配到任何結(jié)果。

第三步：在映射表中匹配
清洗后的舊ID與映射表第二列進行精確匹配，提取第三列作為新版ID。如果匹配失敗，再嘗試在ID末尾加上“LC”進行二次匹配（部分低置信度基因在表中帶有“LC”后綴）。

第四步：去重
如果一個基因?qū)鄺l轉(zhuǎn)錄本，它們都會映射到同一個基因ID，因此輸出時需按基因去重，保留唯一對應關(guān)系。

部分映射示例

下面列舉了幾個具有代表性的映射結(jié)果，可以直觀感受版本變化：

• TraesCS2A02G206200.1 → TraesCS2A03G0433700
• TraesCS2D02G209900.1 → TraesCS2D03G0438600
• TraesCS4D02G322700.1 → TraesCS4D03G0752900
• TraesCS6A02G04170.1（修正為TraesCS6A02G041700.1后） → TraesCS6A03G0093800
• TraesCSU02G105300.1 → TraesCSU03G0065000LC（此基因在v2.1中屬于低置信度模型）

可以看到，大部分ID都能順利找到對應關(guān)系，只有少數(shù)低置信度基因會帶上“LC”標記。如果你在后續(xù)分析中使用這類基因，建議留意其注釋質(zhì)量。

一鍵復現(xiàn)：自動化映射腳本

為了讓你能批量處理自己的ID列表，我們編寫了一個Shell腳本map_cs_id_to_v21.sh。它內(nèi)置了上述所有處理邏輯，并附帶了示例ID供測試。

腳本用法

• 直接運行（使用內(nèi)置示例）：./map_cs_id_to_v21.sh
• 處理自定義ID文件（每行一個ID，支持空行和#注釋）：./map_cs_id_to_v21.sh your_ids.txt

核心邏輯解讀
腳本的核心部分并不復雜，但包含了幾個關(guān)鍵細節(jié)：

# 1. 規(guī)范化ID：補全前綴、去掉后綴、補零
awk '
{
  id=$0
  sub(/^raesCS/, "TraesCS", id)   # 修復前綴
  sub(/\.1$/, "", id)              # 去掉轉(zhuǎn)錄本后綴
  if (id=="TraesCS6A02G04170") id="TraesCS6A02G041700"  # 補零
  print $0 "\t" id
}' "$INPUT" > normalized.tsv

# 2. 在映射表中匹配，并處理LC回退
while IFS=$'\t' read -r input_id old_id; do
  new_id=$(awk -v k="$old_id" '$2==k {print $3; exit}' "$CSV")
  if [ -z "$new_id" ]; then
    new_id=$(awk -v k="$old_id" '$2==k"LC" {print $3; exit}' "$CSV")
  fi
  echo -e "$input_id\t$old_id\t${new_id:-NOT_FOUND}"
done < normalized.tsv

• 規(guī)范化步驟同時處理了前綴缺失和數(shù)字位數(shù)問題，確保匹配的準確性。
• 匹配時先精確查找，若失敗則自動嘗試帶“LC”的版本，盡可能覆蓋所有可能。
• 輸出結(jié)果包含原始ID、規(guī)范化后的舊ID以及對應的新ID，方便你核對。

注意事項與擴展應用

• 映射是基因級別的：如果你需要保留轉(zhuǎn)錄本信息，映射后可能需要根據(jù)新ID重新從GTF/GFF文件中提取轉(zhuǎn)錄本列表。
• 低置信度基因（LC）：部分ID映射結(jié)果帶有“LC”，表明這些基因在v2.1中屬于低置信度模型，使用時需謹慎，或考慮用同源基因替代。
• 腳本修改建議：如果你需要映射的ID量非常大（數(shù)萬條），建議將映射表加載到數(shù)據(jù)庫或用Python的pandas進行合并，腳本適合中小規(guī)模列表的快速驗證。

希望這份指南和腳本能幫你順利完成基因ID的版本升級。如果你在映射過程中遇到其他奇葩的ID格式，也歡迎分享到評論區(qū)，大家一起完善這個實用工具。