常用的生物信息学数据库以及处理工具

生物信息学数据库是生信分析的核心基础，不同数据库聚焦核酸 / 蛋白序列、基因组、基因表达、结构、通路、表观遗传、代谢组等不同方向，且多数经典数据库为国际公共库、数据免费开放。以下按功能分类整理最常用、最核心的生信数据库，兼顾通用性和实用性，适配零基础入门的生信分析需求，核心数据库做加粗标注，同时说明适用场景和特点：

一、核酸序列数据库（基础核心，存储核酸原始 / 注释序列）

这类数据库是核酸序列分析（如引物设计、序列比对、基因查找）的基础，三大国际库数据实时同步，是序列提交和查询的权威来源。

GenBank（NCBI）：美国 NCBI 旗下，最常用的核酸序列数据库，涵盖所有物种的 DNA/RNA 序列（基因组、cDNA、mRNA、miRNA 等），支持 BLAST 比对、序列下载。
EMBL-EBI（欧洲分子生物学实验室）：欧洲权威核酸库，与 GenBank、DDBJ 组成国际核酸序列数据库联盟，数据完全同步，配套的 ENA（European Nucleotide Archive）是其升级版本，支持更灵活的序列检索和批量下载。
DDBJ（日本 DNA 数据库）：亚洲核心核酸库，与前两者同步，无地域使用差异。
RefSeq（NCBI）：经过人工注释和验证的参考序列数据库，比 GenBank 的原始提交序列更准确、无冗余，是生信分析（如基因组比对、基因注释）的首选序列库，涵盖基因组、转录本、蛋白的参考序列。
miRBase：microRNA 专属数据库，存储所有物种的 miRNA 前体、成熟体序列，以及 miRNA 的靶基因预测信息，是小 RNA 测序分析的核心库。
piRNAbank：piRNA 专属数据库，聚焦小非编码 RNA piRNA 的序列和注释。

二、蛋白质序列数据库（存储蛋白序列 + 功能注释，适配蛋白分析）

核心数据库经过手动 / 自动注释，区分高质量注释库和海量无冗余库，是蛋白序列比对、功能预测的基础。

UniProt：全球最权威、最常用的蛋白质序列数据库（EBI/EMBL/ 瑞士生物信息学研究所联合维护），分三个子库，优先级：Swiss-Prot（手动注释，高质量、无冗余，核心首选） > TrEMBL（自动注释，海量序列，覆盖未手动注释的蛋白） > UniParc（所有蛋白序列的综合库，去重）。支持蛋白功能、结构、互作、疾病关联等多维度注释查询。
NCBI Protein：NCBI 旗下，与 GenBank 关联，蛋白序列与核酸序列一一对应，支持 BLASTp 比对，适合快速联动核酸和蛋白数据。

三、基因组数据库（存储完整基因组序列 + 全维度注释，适配基因组分析）

这类数据库整合了物种的完整基因组组装序列、基因结构、注释信息（启动子 / 外显子 / 内含子）、变异位点等，部分配套可视化浏览器，是基因组测序、基因定位、变异分析的核心。

通用全物种基因组库

NCBI Genomes：涵盖原核、真核、病毒的所有参考基因组，注释信息全面，支持按物种、基因组版本检索下载。
Ensembl（EBI/Sanger）：可视化体验最佳的基因组数据库，核心覆盖脊椎动物，也拓展至植物 / 微生物，提供基因组浏览器、基因表达、变异数据的一站式分析，支持批量数据下载和在线工具（如 BLAST、Variant Effect Predictor）。
Ensembl Genomes：Ensembl 的拓展版，专门针对非脊椎动物、植物、真菌、原核生物，弥补了 Ensembl 对非脊椎的覆盖不足。
UCSC Genome Browser（加州大学圣克鲁兹）：生信分析最常用的基因组可视化工具，不仅是数据库，更是分析平台 ------ 支持基因组比对、基因定位、表观遗传数据叠加，内置 BLAT（快速序列比对）、Table Browser（批量数据提取）等核心工具，人类 / 小鼠 / 果蝇等模式生物的注释最精细。

物种特异性基因组库（常用）

TAIR：拟南芥专属基因组数据库，植物研究的经典参考。
Rice Genome Annotation Project：水稻基因组核心库。
IMG：微生物（原核 + 真菌）基因组专属库，涵盖宏基因组拼接的基因组。

四、基因表达数据库（存储基因表达原始数据，适配转录组分析）

这类数据库收录了芯片、RNA-seq、单细胞 RNA-seq的原始表达数据和标准化结果，支持数据挖掘、差异基因验证、表达模式分析，是转录组研究的重要数据来源。

GEO（NCBI Gene Expression Omnibus）：最常用的基因表达数据库，覆盖所有物种，收录芯片、RNA-seq、单细胞、甲基化等多组学数据，数据以Series（研究系列）和Sample（样本）组织，支持按基因、物种、疾病检索，可下载原始数据（SRA）和标准化表达矩阵。
ArrayExpress（EBI）：与 GEO 类似，是欧洲的基因表达数据库，数据标准更严格，与 EBI 的其他工具（如 limma）联动性好。
TCGA/GDC（The Cancer Genome Atlas）：肿瘤多组学核心数据库，最初为 TCGA，现整合至 GDC（Genomic Data Commons），收录人类 30 + 种癌症的基因组、转录组、蛋白质组、甲基化等多组学数据，是癌症生信分析的黄金数据来源。
GTEx（Genotype-Tissue Expression）：人类正常组织基因表达图谱，收录人体 50 + 种正常组织 / 细胞的基因表达数据，与 TCGA 互补，可用于分析癌症与正常组织的表达差异。
Single Cell Portal（Broad 研究所）：单细胞测序专属数据库，收录 scRNA-seq、scATAC-seq 等单细胞多组学数据。

五、蛋白质结构数据库（存储 / 预测蛋白 3D 结构，适配结构生物学分析）

核心库存储实验验证的 3D 结构，近年的 AI 预测结构库覆盖度极高，成为蛋白结构分析的主流工具，适配蛋白功能预测、分子对接、突变分析。

PDB（Protein Data Bank）：全球唯一的实验验证蛋白 3D 结构数据库，存储 X 射线晶体学、冷冻电镜（Cryo-EM）、NMR 获得的蛋白、核酸、复合物的 3D 结构，常用查询平台为RCSB PDB（最友好）、PDBe（EBI）。
AlphaFold DB（DeepMind/EBI）：AI 蛋白结构预测的核心库，基于 AlphaFold2 算法，预测了几乎所有已知蛋白质的 3D 结构（涵盖 UniProt 的 98% 以上蛋白），包括人类、模式生物、微生物的蛋白，结构精度接近实验水平，是无实验结构蛋白的首选参考。
SWISS-MODEL：瑞士生物信息学研究所开发，既是同源建模工具（预测蛋白结构），也是结构数据库，收录了大量同源建模的蛋白结构，适合快速预测目标蛋白的 3D 结构。

六、通路与功能注释数据库（标注基因 / 蛋白的功能、通路，适配富集分析）

这类数据库是GO 富集、通路富集、基因功能预测的核心，通过标准化的术语和通路图谱，将基因 / 蛋白与生物学功能关联，是生信分析后结果解读的关键。

KEGG（Kyoto Encyclopedia of Genes and Genomes）：最经典、最常用的通路数据库，涵盖代谢通路、信号通路、生物合成、疾病关联等，同时整合了基因、蛋白、代谢物、酶的注释信息，支持通路可视化和富集分析。唯一不足是更新较慢，但仍是生信分析的首选。
GO（Gene Ontology）：基因功能的标准化注释体系，分为三个维度：分子功能（MF）（如酶活性、结合活性）、细胞组分（CC）（如细胞核、细胞膜）、生物过程（BP）（如细胞增殖、糖代谢），是GO 富集分析的核心库，所有生信工具均支持 GO 注释。
Reactome：手动注释的通路数据库，更新快、注释更精细，涵盖信号通路、代谢、细胞过程，支持通路的动态可视化，适合补充 KEGG 的不足。
COG/KOG：直系同源基因簇数据库，COG 针对原核生物，KOG 针对真核生物，通过同源基因聚类预测基因的功能，适合新基因 / 未知基因的功能注释。
STRING：蛋白 - 蛋白相互作用（PPI）数据库，存储实验验证和预测的蛋白互作关系，支持构建 PPI 网络，同时整合了基因功能、通路注释，是互作分析的核心库。

七、表观遗传学数据库（存储 DNA 甲基化、组蛋白修饰等数据，适配表观分析）

聚焦DNA 甲基化、染色质开放状态、组蛋白修饰、非编码 RNA 调控等表观遗传信息，支持表观组学数据挖掘和验证。

ENCODE（Encyclopedia of DNA Elements）：人类 / 小鼠表观基因组核心数据库，收录染色质开放区、DNA 甲基化、组蛋白修饰、转录因子结合位点等数据，解析基因组的功能元件（如启动子、增强子）。
Roadmap Epigenomics：表观基因组图谱数据库，补充 ENCODE 的不足，涵盖人类多种细胞系 / 组织的表观数据，支持表观状态的聚类和分析。
UCSC Epigenome Browser：UCSC 的表观专属可视化工具，叠加 DNA 甲基化、组蛋白修饰、染色质开放数据，适合表观位点的定位和验证。
MethBank：多物种 DNA 甲基化数据库，收录人类、小鼠、植物等的甲基化位点和甲基化水平数据，支持甲基化位点的检索。

八、代谢组数据库（存储代谢物信息，适配代谢组分析）

整合代谢物的结构、理化性质、浓度、代谢通路、检测数据，是代谢组测序（非靶 / 靶标）分析、代谢物鉴定的核心。

HMDB（Human Metabolome Database）：最全面的人类代谢组数据库，收录超 40 万种人类代谢物，包含结构、分子量、核磁 / 质谱数据、生物浓度、疾病关联，是非靶代谢组鉴定的首选。
MetaboLights（EBI）：代谢组学原始数据数据库，收录非靶 / 靶标代谢组的质谱 / 核磁数据，支持数据挖掘和验证。
KEGG COMPOUND/Metabolome：KEGG 的代谢物子库，与 KEGG 通路直接关联，适合代谢物的通路富集分析，联动基因和代谢数据。
LipidMaps：脂质组专属数据库，存储所有脂质分子的结构、分类、理化性质，是脂质组分析的核心库。

九、微生物 / 宏基因组数据库（适配微生物测序、宏基因组分析）

聚焦原核生物、病毒、宏基因组的序列、注释、丰度数据，是 16S rRNA 测序、宏基因组测序分析的核心。

SILVA：最常用的核糖体 RNA 数据库，收录 16S rRNA、18S rRNA、ITS 的全序列，支持微生物物种分类和多样性分析，是 16S 测序物种注释的首选库。
Greengenes：16S rRNA 专属数据库，经典的微生物分类库，适配 QIIME 等宏基因组分析工具。
MGnify（EBI）：宏基因组 / 宏转录组数据库，收录环境、人体、动植物相关的宏基因组数据，提供物种丰度、功能注释的标准化结果，支持数据挖掘。
RDP（Ribosomal Database Project）：核糖体 RNA 数据库，支持微生物的物种分类和序列比对，适合 16S 测序的物种注释。
VIRUSite：病毒专属数据库，存储病毒的基因组、序列、蛋白注释，支持病毒组分析。

十、人类遗传与变异数据库（适配人类基因变异、疾病关联分析）

聚焦人类基因的SNP、Indel、拷贝数变异（CNV）等变异位点，以及变异与疾病的关联，是人类基因组、肿瘤基因组分析的核心。

dbSNP（NCBI）：最常用的人类 SNP 数据库，收录单核苷酸多态性、小 Indel 等变异位点，标注变异的位置、频率、功能。
1000 Genomes Project：人类基因组变异数据库，收录全球 26 个人群的基因组变异数据，标注变异的人群频率，是变异分析的核心参考。
OMIM（Online Mendelian Inheritance in Man）：人类孟德尔遗传数据库，整合基因与人类疾病的关联信息，标注单基因病、复杂疾病的致病基因和突变位点，是疾病生信分析的关键。
ClinVar（NCBI）：临床变异数据库，收录经实验验证的临床相关变异（致病、疑似致病、良性），是肿瘤 / 遗传病变异解读的核心库。

十一、其他高频实用数据库

PubMed：NCBI 旗下的生物医学文献数据库，虽非生信专属，但生信分析的结果解读、文献验证必用，可联动基因、蛋白、疾病的相关研究。
GeneCards：人类基因综合数据库，整合了所有人类基因的序列、表达、功能、通路、疾病、药物等信息，是快速查询人类基因多维度注释的首选工具。
DAVID：基因功能注释和富集分析工具，整合了 GO、KEGG、COG 等多个数据库，支持批量基因的注释和富集分析，适合生信分析的快速结果解读。

核心总结

入门必记的核心数据库：GenBank/RefSeq（核酸）、UniProt（蛋白）、UCSC/Ensembl（基因组）、GEO/TCGA（表达）、KEGG/GO（通路）、PDB/AlphaFold DB（结构）、SILVA（微生物）；

生信分析的通用逻辑：从序列库获取参考序列→从表达库挖掘数据→用通路库做功能解读→用可视化数据库验证结果；

多数数据库支持批量下载和在线工具，无需单独下载全库，可通过工具（如 NCBI BLAST、UCSC Table Browser）按需提取数据。

GTDB（Genome Taxonomy Database）是澳大利亚昆士兰大学主导开发的微生物基因组分类权威数据库，旨在基于全基因组数据构建标准化、系统发育一致的细菌与古菌分类体系，解决传统基于 16S rRNA 分类的局限性，是宏基因组、微生物多样性研究的核心工具。

核心定位与优势
全基因组驱动：以细菌 120 个单拷贝标记基因（bac120）、古菌 122 个单拷贝标记基因（ar122）为基础，结合全基因组平均核苷酸一致性（ANI）与相对进化分歧度（RED），实现更客观、可重复的分类，覆盖大量未培养微生物。
系统性分类：提供域、界、门、纲、目、科、属、种的完整层级，包含 6900 + 物种、2000 + 属、600 + 科，覆盖 73 万 + 基因组（Release 10-RS226，2025 年 4 月）。
工具配套：提供GTDB-Tk命令行工具，支持批量基因组分类、系统发育树构建，适配宏基因组组装基因组（MAGs）与分离株基因组分析。
关键应用场景
宏基因组测序物种注释（替代传统 16S rRNA 数据库）
微生物新物种分类命名参考
微生物进化关系解析
临床 / 环境微生物组多样性研究
访问与资源
官网：https://gtdb.ecogenomic.org/
数据更新：定期发布（如 R214、R226 等版本），同步 NCBI RefSeq/GenBank 基因组数据。

结合微生物研究 + 生物信息学入门的核心需求，同时覆盖生信分析通用基础环节 + 微生物专属分析 + 多组学拓展，以下按分析流程环节分类整理最常用、易安装、高实用性的生信工具，所有工具均适配Linux 服务器（优先 Conda 一键安装，零基础可直接执行），标注核心功能、适用场景、安装 / 使用要点，同时关联此前的微生物分析流程，兼顾通用性 + 微生物针对性，方便按分析需求快速选型。

核心说明

1.所有工具优先推荐 Conda 安装（适配之前搭建的 Linux 环境，无版本冲突）；

2.工具分基础通用工具（所有生信分析必备）和微生物专属工具（聚焦基因组 / 宏基因组 / 微生物群落），同时补充转录组 / 可视化拓展工具；

3.标注 **★为入门必学 ** 工具，是你开展微生物生信分析的核心工具包。

一、序列质控与预处理工具（所有生信分析的第一步，★核心基础）

处理高通量测序原始数据（fastq），完成质量检测、低质量序列过滤、接头去除、去重，输出高质量干净序列，适配基因组 / 宏基因组 / 转录组测序数据。