中国板栗基因组数据库（CGD）的构建与多组学数据整合：推动遗传研究与分子育种的资源平台

为解决板栗属植物基因组数据分散、缺乏整合的问题，北京农业大学的科研团队开展了"板栗基因组数据库（CGD）"的构建研究。该研究整合了8个板栗物种的基因组数据、213个RNA-Seq样本和330个重测序样本，通过功能注释、表达谱分析和变异检测，建立了包含BLAST、GO/KEGG富集分析等工具的综合性平台。研究成果发表于《Scientific Data》，为板栗遗传学研究和分子设计育种提供了重要资源。

　　

板栗作为兼具生态价值和经济价值的重要树种，其抗病性和营养品质一直备受关注。随着高通量测序技术的发展，板栗基因组数据不断积累，但现有资源分散在不同平台，缺乏系统整合，严重制约了比较基因组学和分子育种研究的深入。针对这一瓶颈问题，北京农业大学的研究团队通过大规模数据整合与分析，构建了全球首个板栗专属基因组数据库（Castanea Genome Database, CGD），相关成果发表在《Scientific Data》期刊。

研究团队采用多组学整合策略，关键技术包括：（1）从NCBI SRA、TreeGenes等数据库收集8个板栗品种的基因组数据；（2）使用DIAMOND、InterProScan等工具进行基因功能注释；（3）基于STAR和Sentieon流程处理RNA-Seq和重测序数据；（4）通过BUSCO评估基因组完整性。所有数据经标准化处理后存入Figshare和CGD平台（http://castaneadb.net）。

在"背景与摘要"部分，研究阐明了中国板栗（Castanea mollissima）占全球产量74%的产业地位，指出现有基因组资源如'Vanuxem'、'HBY-2'等分散存储的问题。通过整合7个中国板栗品种和1个日本板栗（C. crenata）数据，建立了包含738.87Mb（HBY-2）至790.99Mb（ZS品种）的基因组集合。

"方法"部分详细说明了数据处理流程。基因注释采用DIAMOND比对UniProt、nr等数据库（E值<1e^-4），通过eggNOG-mapper获得GO/KEGG注释。RNA-Seq分析使用STAR将91.81%的clean reads比对到HBY-2参考基因组，FPKM标准化表达矩阵揭示了不同发育阶段的组织特异性。变异检测采用Sentieon流程，与GATK3.8交叉验证显示99.943%的一致性。

"数据记录"显示，所有数据按基因组注释（genome_anno.tgz）、基因表达（gene_expression.zip）和变异数据（variants_data）三类存储在Figshare，其中HBY-2基因组通过Hi-C技术提升至N50 6.3Mb。BUSCO评估显示各基因组完整度达92.6%-98.5%（C. crenata最高），满足研究需求。

"技术验证"部分通过多维度质控确保数据可靠性。RNA-Seq样本的层次聚类将213个样本分为胚胎早期、叶片、胚胎晚期和根系四大类，仅9个样本（4.2%）偏离预期分组。重测序数据中，Sentieon与GATK检测的12,307,411个SNP重合率达99.943%，证实变异检测准确性。

该研究的创新性体现在：（1）建立首个板栗专属数据库CGD，集成BLAST、共线性分析等工具；（2）发布经Hi-C辅助组装的HBY-2高质量基因组（BUSCO 97.6%）；（3）提供330个种质的变异图谱，为分子标记开发奠定基础。研究成果将加速板栗抗病育种、品质改良等研究，推动木本植物基因组学研究范式的发展。未来可通过纳入更多野生资源和表型数据，进一步拓展平台应用价值。