企业官网建设流程全解析

测序仪下线的免疫组库FASTQ文件，无论是TCR还是BCR，过了质控之后最让人头疼的一步就是：比对到底该用哪套参考集？如果你直接拿通用核酸数据库去比对，等位基因的名字大概率会五花八门，同一个基因在三条记录里出现三个叫法，根本没法往下统计。这时候你就绕不开一个名字——国际免疫遗传学数据库IMGT/LIGM-DB。它可以说是免疫球蛋白和T细胞受体领域最权威的“基因字典”和“命名公约所”，我们今天把它掰开揉碎讲清楚：它到底存了什么、怎么查、怎么用在真实分析里，以及有哪些新手容易踩的坑。

这篇文章不是那种官方文档式介绍，主要面向做免疫组库测序分析的生物信息学同学、刚接触抗体序列注释的研究人员，以及想深入理解Ig/TCR基因命名规则的人。我会把数据库的定位、数据组织、检索操作、配套工具和实战链路都过一遍，尽量让你看完就能自己上手。

1. 免疫球蛋白序列凭什么不能直接扔进NCBI：IMGT/LIGM-DB的定位

先说一个最根本的问题：为什么这个领域要单独搞一个数据库？

免疫球蛋白（antibody，缩写为Ig）和T细胞受体（TCR）的基因序列，和普通基因有一个本质区别——它们不是以“基因组上一条固定序列”的形式存在的。B细胞和T细胞在发育过程中会对基因座进行体细胞重组（V(D)J recombination），把分散在基因组上的V片段、D片段、J片段随机拼接起来；等遇到抗原之后，还会再发生体细胞高频突变（somatic hypermutation）。所以你在测序数据里看到的一条抗体可变区序列，实际上是“千变万化”的重排产物，而不是种系基因组里某个固定的外显子。

这种特性带来两个直接麻烦：

第一，同一个基因座，在不同B细胞克隆里产生的重排序列可能天差地远。第二，免疫球蛋白基因的等位基因多态性极其复杂，每个人同一条IGHV基因就可能有多个等位基因，而且不同物种之间命名规则也不统一。

如果你把这种序列扔进通用核酸数据库，它只能给你一个笼统的注释，比如"immunoglobulin heavy chain variable region"，至于这个序列属于哪个等位基因、CDR1在哪、FR3从哪个氨基酸开始，它根本不会帮你一一拆清楚。通用数据库的核心目标是把“所有物种、所有类型的核酸序列”存起来，注释粒度是通用的，不会为免疫基因专门做标准化。

IMGT/LIGM-DB解决的就是这件事。它把免疫系统中涉及的基因序列集中到一起，用一套严格的命名规则和注释体系重新整理。具体来说有三个核心能力：

• 标准化命名：每一个免疫球蛋白/TCR基因都有唯一的IMGT基因名和等位基因编号，比如IGHV3-23*01，不会出现同一个基因在不同地方有不同叫法的混乱局面。
• 结构化注释：序列中的框架区（framework region，FR）和互补决定区（complementarity determining region，CDR）会被精确标注出来，并且按照统一的坐标系统对齐。
• 功能状态分类：每个基因/等位基因会标明是功能基因（functional）、开放阅读框（ORF）、假基因（pseudogene）还是片段序列（partial）。

所以简单说，IMGT/LIGM-DB是这个领域的“标准答案库”。它不是要替代通用核酸数据库，而是对免疫相关序列做深加工、高质量注释，让下游分析有统一基准。

我再拿一个实际对比来说明这种差异。你在通用核酸数据库搜一条人的抗体序列，得到的记录通常只有物种、序列、简单描述和几个feature；而在IMGT/LIGM-DB里，同一条序列可能被标注到以下程度：

这也是为什么很多做抗体分析的老手，宁可先在IMGT系里把序列定好位，再回头去通用库补背景信息，因为这个库的注释质量和一致性是其他地方很难替代的。

2. 翻开数据库目录：IMGT/LIGM-DB里到底存了哪些东西

很多第一次用这个数据库的人，往往以为它就是个“免疫基因序列的FASTA仓库”，进去搜个基因名，下载所有序列，完事。真实情况要细致得多。LIGM-DB是IMGT系统里专门负责存储和注释“核苷酸序列”的核心数据库，它的数据组织方式是有层次的。

从物种和基因座来看，它覆盖了人、小鼠以及其他多种哺乳动物的免疫球蛋白和T细胞受体基因座。对于人来说，主要就是三大Ig基因座（IGH、IGK、IGL）和四大TCR基因座（TRA、TRB、TRG、TRD），每个基因座下面又按基因家族、基因、等位基因三层展开。

从分子类型来看，数据库里的序列可以被分成几个大类：

• 种系序列（germline）：直接来自基因组，是重排前的原始V、D、J基因序列。做胚系参考集的时候用的就是这一类。
• 重排序列（rearranged）：来自B细胞或T细胞克隆，已经完成了VDJ重组的cDNA或gDNA序列。这类序列是免疫组库测序最常产生也最常查询的。
• cDNA序列：经过转录的mRNA反转录产物，包含完整的表达序列，常用于蛋白翻译验证。
• 蛋白序列：由表达序列翻译而来，抗体工程和结构分析中经常会用到。

这种区分非常关键。因为很多人第一次下载参考序列时，会不小心把重排序列当成种系序列用，结果比对出来的基因型全乱了。种系序列才是“参考”，重排序列是“样本”，这个逻辑不能搞反。

从条目结构来看，IMGT/LIGM-DB里每条序列都会带一个稳定的登录号（accession number），以及一套完整的注释字段。以一条人的Ig重链重排cDNA为例，你通常能看到：

• IMGT/LIGM-DB登录号：数据库唯一标识。
• 物种：通常标注到拉丁名，比如Homo sapiens。
• 分子类型：cDNA / genomic DNA / protein。
• 链型：IGH、IGK、IGL、TRA、TRB、TRG、TRD。
• 重组特征：V、D、J各片段名字，比如IGHV3-2301、IGHD3-1001、IGHJ4*01。
• 功能状态：是否功能序列、是否截短。
• 注释区域：L-PART1、L-PART2、V-Region、D-Region、J-Region，以及FR1-4、CDR1-3的具体坐标。
• 组织/细胞类型：来源样本信息，比如外周血B细胞、某细胞株等。

举一个真实的查询结果结构做演示（实际数据我不会贴原样，用示意格式说明，便于你建立画面）：

AC X99999 DE Homo sapiens IGHV3-23*01 rearranged immunoglobulin mRNA OS Homo sapiens FT V-REGION 1..100 FT CDR1 31..35 FT FR2 36..50 FT CDR2 51..66 FT FR3 67..100 FT D-REGION 101..110 FT J-REGION 111..125

这只是简化示意，实际字段会更丰富。不过你应该能看出来，IMGT的注释不是简单画个CDS范围，而是把每条序列按免疫基因结构精确切好，每个区域都有明确位置。这就是为什么我们可以拿它做统一坐标的系统分析。

另外一个容易忽略的点是：LIGM-DB里的很多序列条目，其实最初来自各大公共核酸数据库的提交记录，但经过IMGT专家团队重新审核、重新注释后才发布。这就意味着，如果你只盯着通用核酸数据库看，会漏掉很多已经被纠正的注释细节和等位基因分类信息。

3. 动手查一个抗体序列：检索操作与结果解读

理论说多了容易晕，我们直接来过一遍操作流程。假设我现在手上有一条人的抗体重链可变区序列，想查它是不是IGHV3-23*01，在IMGT/LIGM-DB里该怎么查？

3.1 进入检索入口并设置条件

IMGT官网上有一个专门面向LIGM-DB的检索页面。进去以后会看到几个常用的筛选维度，字段大概包括：

• 登录号（Accession number）
• 物种（Species）
• 分子类型（Molecule type）
• 链型（Chain type，Ig或TCR）
• 基因名 / 等位基因名（IMGT gene name / allele name）
• 重组类型（rearranged/germline）

以查IGHV3-23*01为例，你可以直接在基因名框里填IGHV3-23*01，物种选Homo sapiens，分子类型选所有，然后提交。返回结果会是所有被标注为该等位基因的序列条目列表。

如果你手上还有一段具体的query序列，那是另一个用法：在IMGT系统的V-QUEST工具页面把序列粘贴进去，它会用内置的参考集自动帮你比对，并给出最可能的基因/等位基因结论。这里LIGM-DB的角色就是提供底层的参考数据集。

3.2 读懂结果列表里的关键字段

检索结果页面通常以列表形式呈现，每一行代表一条序列记录，核心字段如下：

• Accession number：登录号，后面引用或下载都用它。
• Description：简单描述，含物种和基因注释。
• Length：序列长度。
• Molecule type：mRNA/cDNA/gDNA等。
• IG/TCR annotated：是否已经做过IMGT标准注释。
• Allele：最相关的等位基因名。

这里要特别提醒一个细节：列表页显示的基因名往往是“最相似”的等位基因，但这条序列可能因为体细胞突变，和标准等位基因并非100%一致。真正严谨的结论要看详细页里的比对结果和突变注释，不能只看列表页标题。

3.3 查看单条记录的详细注释

点进某条登录号，你会看到完整页面。这时候重点看可视化注释图（如果有）和feature table。

我建议新手按这个顺序逐项确认：

1. 物种对不对。人和小鼠的IGHV3-23不是同一个东西，很多批量分析容易在跨物种比较时搞混。
2. 链型对不对。IGH是重链，IGK/IGL是轻链，TCR四条链各有各的基因命名，不能混。
3. 序列区域是否完整。V-REGION是否包含完整的FR1到FR4，还是只有片段。如果是partial，请谨慎用于后续突变分析。
4. 功能状态。如果标注是pseudogene，那它在表达层面很可能根本不产生功能蛋白。
5. 重排信息。一条重排序列会同时给出V、D、J三段基因名，你关心的等位基因结论要对应到V部分。

3.4 下载序列：别在格式上栽跟头

IMGT/LIGM-DB支持多种下载格式，常见的有FASTA、GenBank/EMBL风格注释文件、以及IMGT自己的增强型注释格式。

如果你只是想要一批序列做比对，FASTA最方便。但请注意，不同来源的FASTA头部信息格式不完全一样。有些是：

>X99999|Homo sapiens|IGHV3-23*01

有些则是带更多管道的分隔字段。批量处理时我建议先做一次严格的头部解析，比如用管道符切割，确认每个位置代表什么，再把标准化的名称写到一个单独的映射表里。我自己就吃过亏：曾经默认第二个字段是物种，结果某批导出的文件第二个字段是登录号，导致后续分组统计全乱。不要假设格式，下载后先head两行看清楚。

4. 从序列到分析：IMGT命名系统与配套工具为什么重要

如果你不用IMGT标准，只是从数据库里抓序列，那等于只拿到一半价值。这个数据库真正的内核，是一整套贯穿所有序列的标准化规则。

4.1 IMGT等位基因命名规则

人免疫基因的命名方式看起来有点像版本号，比如IGHV3-2301、IGHV4-5901。这里*01代表等位基因编号，前面是基因家族和基因名。

规则大致是：

• IGHV3：重链可变区第3家族。
• -23：该家族内的第23号基因。
• *01：第1号等位基因。

如果后面有N或类似前缀，可能表示非功能性变异体；如果有02等，表示同一基因位点的另一个等位基因。这个命名系统保证了不同实验室、不同发表文章之间可以精确沟通。

4.2 IMGT独特编号系统

IMGT除了给基因统一命名，还发明了一套“独特编号系统”（IMGT unique numbering）。它的核心思想是：不管序列长短如何变化，从FR1第一个氨基酸到FR4最后一个氨基酸，统一按固定坐标对齐。

具体来说：

• FR1从第1位开始；
• CDR1大概在第27到38位区间；
• FR2继续；
• CDR2在第56到65位左右；
• FR3一直到第104位；
• CDR3是最不规则的区域；
• FR4到第118位结束。

听起来有点抽象，但实际用途非常大。拿两条长度不同的抗体验证序列做结构比对时，没有这套坐标系统的话，你根本不知道CDR2是从哪个氨基酸开始的。有了统一编号，所有抗体序列都“装”进同一个坐标框架里，无论插入、缺失、还是序列长短差异，都能直接按坐标位置比较。这也是做抗体人源化、亲和力成熟分析时最有用的底层规范之一。

4.3 配套工具不是孤立的

IMGT生态里还有一堆分析工具，它们和LIGM-DB数据是配套的。最常见的几个：

• IMGT/V-QUEST：上传一条或多条Ig/TCR核苷酸序列，自动分析最可能的V(D)J基因和等位基因，并返回FR/CDR注释。
• IMGT/JunctionAnalysis：专门分析V-D-J连接区的碱基组成和翻译结果。
• IMGT/DomainDisplay：展示结构域在蛋白序列上的分布。

这些工具用的参考数据集，很多都来自或关联到LIGM-DB整理好的标准序列。所以如果你想让自己的抗体序列分析更规范，正确链路是：先用LIGM-DB参考集对齐，再结合工具输出做注释。

一个建议：如果你只是偶尔查一两条序列，网页工具够用；但如果要分析成百上千条，请把参考序列下载到本地，建成本地数据库，用程序自动化处理。这样不仅快，还能避免网页端对批量序列数量的限制。

5. 实战场景：免疫组库测序数据的参考序列准备链路

说完了数据库本身，我们落到实际分析流程。大多数免疫组库测序项目，拿到手的是大量reads，核心任务是做V(D)J基因分型。无论你用什么比对软件，第一步永远是准备一套高质量的参考序列集。下面这套流程是我自己实践下来比较稳定的做法。

5.1 按物种和基因座筛选参考序列

你需要确定物种（人还是小鼠）和要分析的基因座（IGH/IGK/IGL或者TCR四链）。不要一上来就“下载所有序列”，那样会混入大量无关内容，影响比对敏感度和后续统计。

推荐做法：

1. 在检索页筛选目标物种和目标基因座；
2. 下载种系序列版本（germline configuration），不是重排序列；
3. 保存为FASTA文件；
4. 对FASTA头部做标准化，生成一个gene_name到序列ID的映射表。

5.2 一个简化版操作流程示例

假设分析人的IGH基因座，流程大致是：

# 1. 从IMGT/LIGM-DB下载人IGH重排之前的所有种系V基因序列 # 假设已下载为 homo_sapiens_IGHV_germline.fasta # 2. 查看文件头部，确认格式 head -n 2 homo_sapiens_IGHV_germline.fasta # 3. 用序列清洗脚本只保留完整V-REGION # 删除partial、pseudogene，按功能状态过滤 grep "functional" homo_sapiens_IGHV_germline.fasta > filtered_functional.fasta # 4. 对过滤后的文件建索引，用于后续比对 blastdb -in filtered_functional.fasta -dbtype nucl -out IGHV_db

这只是示意图，真正生产环境里你还需要处理J区、D区参考序列，以及决定是否保留ORF序列用于提升灵敏度。

5.3 比对完成后如何确认结果可用

比对软件输出一堆基因分配结果之后，不要直接进统计。我建议做三步质控：

• 看覆盖率：同一条query序列比到等位基因参考时的覆盖度是否接近全长，如果只有30%，可能是嵌合序列或组装错误。
• 看突变分布：体细胞突变应该集中在CDR区，如果FR1出现大规模杂乱突变，很可能参考基因选错了。
• 看等位基因是否冲突：同时被多个基因高置信度命中时，检查IMGT注释里的序列相似度，必要时手动查看多个等位基因参考序列的差异位点。

5.4 记录版本号是专业习惯

IMGT的命名和注释会不定期更新，所以同一个基因在不同版本数据库里的序列可能略有差异。这不代表数据库不稳定，而是随着更多人群数据积累，等位基因清单在完善。

我强烈建议在每个分析项目的README里记录：

• 数据库下载日期；
• 所使用的IMGT版本号或页面快照；
• 参考FASTA文件的内容哈希值。

这样就算几个月后其他同事或reviewer对结果有疑问，你也能精确追溯用的是哪一版参考集。这不是可有可无的流程，多线程项目里血泪教训不少。

6. 使用中绕不开的细节与注意事项

写到最后一节，我想集中聊几个新手高频踩的坑，以及一些容易被忽略的使用规则。

6.1 伪基因、ORF和功能基因要区分清楚

IMGT把基因分为functional、ORF、pseudogene、partial。很多人做参考集时不管三七二十一全部装进去，结果比对的时候，一条本属于IGHV3-23*01的reads，因为相似性，也会被比到另一个假基因上，从而在克隆分型里错误分配。

如果做表达谱分析，建议默认只保留functional且完整的序列。只有在特殊场景——比如基因组结构变异检测、非常早期B细胞的分析——才需要把ORF和pseudogene也加进去做“诱饵序列”，并且后续要单独标记。

6.2 别混淆“种系参照”和“重排克隆”

前面提过一次，但值得再强调。种系序列是基因组本来的样子，重排序列才是B/T细胞克隆里实际表达的样子。如果你下载参考集时拿到的是重排序列，那么你的比对软件会以为“参考序列”本身也带随机N区插入，后续基因分型会严重失真。

如何快速判断手里的序列是种系还是重排？看J区是否直接紧邻V区、看是否有随机的P-核苷酸/N-核苷酸插入、看序列描述里是否出现“rearranged”字样。拿不准时，先用IMGT/V-QUEST验证一下。

6.3 大规模数据不要直接用网页版

网页版检索适合查单条，处理几百条以上时，速度慢且容易断。IMGT体系本身也有专门的数据下载服务，建议优先使用程序化下载方式。如果你在一个服务器上跑分析，记得关注重试策略和下载限速问题，别因为网络中断导致下载一半的FASTA文件被程序误读。

6.4 重新发布注释数据前要了解引用规范

这一点比较敏感但必须说：IMGT的注释和整理成果凝聚了很多人的劳动，如果你在论文或公开项目里使用了经过IMGT注释的数据，常规做法是明确标注引用信息。如果要把整理后的参考集作为软件开源发布的默认依赖，也需要仔细阅读数据库的使用许可条文，确认是否允许二次分发。不要直接把人家的整理结果改个名字就挂到自己的仓库里，这是职业操守问题。

6.5 遇到“旧名”不要慌

免疫基因命名在历史上经历过几次调整。你可能在早期文献里看到类似“VH3-23”这种写法，而IMGT现在的标准写法是“IGHV3-23”。如果你做文献比较，遇到旧名和新名对不上，建议先利用IMGT的命名对照功能翻译一下，再继续分析。

我个人早期做抗体序列分析时，因为忽略这套命名沿革，把一个旧名对应的序列当成了另一个新基因，整个比较表都是错的。从那次之后，任何基因名在进入分析表之前，我都强制要求先用IMGT格式做归一化，这成了我流程里的一个硬规则。

跑过几轮真实项目之后你会发现，IMGT/LIGM-DB的价值不在于它有多大，而在于它“足够标准和细致”。它看起来不像一些动不动就“亿级数据”的数据库那么唬人，但做抗体和TCR分析时，它就是那个让你少走最多弯路的地基。如果你刚开始接触免疫组库数据分析，我建议手里常备三样东西：IMGT/LIGM-DB的参考序列、IMGT命名规则说明书、以及自己的版本记录表。有了这三样，后面不管是分型、突变注释还是抗体序列优化，都不会太跑偏。