基因组注释（genome annotation）

假设有人递给你一本三十亿个字母的书，印出来时没有空格、没有标点、没有章节标题——只是一串不间断的字母。知道全部字母，并不等于知道这本书在讲什么。你还得找出词与句从哪里开始、到哪里结束，标出哪些段落有意义、哪些是填充物，并给每一部分贴上它的作用。对一段原始基因组序列做这件事，就是基因组注释。

注释是寻找并标注序列内部各种特征的过程：基因从哪里开始、到哪里结束，哪些区段是外显子、哪些是内含子，启动子之类的调控信号位于何处，以及每个基因的蛋白产物大概有什么功能。计算机先做第一遍，搜寻各种标志性模式——读码框中的起始与终止密码子、外显子边界上的剪接信号、能区分编码与非编码 DNA 的统计特征——然后大量依赖比对：如果某一段与另一种生物中功能已知的基因高度相似，就把那个功能暂时套用过来。实验数据，尤其是显示哪些部分确实被转录的 RNA-seq，会为预测提供锚点并加以校正。

注释之所以重要，是因为一段光秃秃的序列没有它几乎毫无用处；但它也是基因组学中最容易出错、永远做不完的环节之一。基因预测在边界处常常出错，又短又特殊的基因会被漏掉，从其他物种套来的功能标签可能是错的、并把同一个错误传遍许多数据库。这就是为什么注释带有版本号和置信等级，为什么一个基因被标出的功能是一个假设而非事实，也是为什么人类基因数目曾被高估多年，最后才稳定在约两万个蛋白编码基因。