转基因组版本chain文件格式

chain 文件的格式由UCSC基因组浏览器定义。它的每一行都包含关于两个基因组版本（“目标” t 和 “查询” q）之间比对关系的详细信息。

基于 UCSC 的官方文档，chain 文件是一种用于描述两个序列之间比对关系的格式，其核心特点是允许在两条序列上同时存在空位（gaps）。这种格式设计得非常紧凑（deliberately quite dense），旨在高效记录复杂的基因组重排信息。

在UCSC的chain文件中，目标序列（Target）和查询序列（Query）是一对非常重要的概念，它们的定义完全取决于你转换的方向。

两个序列的定义

简单来说，chain 文件是有方向性的，它描述的是如何将“查询序列”上的坐标映射到“目标序列”上。

• 查询序列 (Query, qName)：指你当前手头数据所在的基因组版本，也就是被转换的源头。
• 目标序列 (Target, tName)：指你希望转换到的那个基因组版本，也就是转换的目的地。

文件整体结构

一个标准的 chain 文件由若干个“链” (chain) 组成，每个链的结构如下： 1. 一个头部行 (Header Line)：以 chain 关键字开头，包含11个必填属性。 2. 一个或多个比对数据行 (Alignment Data Lines)：描述具体的区块比对信息。 3. 一个空行 (Blank Line)：作为当前链的结束符。

例子

chain 4900 chrY 58368225 + 25985403 25985638 chr5 151006098 - 43257292 43257528 1
 9       1       0
 10      0       5
 61      4       0
 16      0       4
 42      3       0
 16      0       8
 14      1       0
 3       7       0
 48

 chain 4900 chrY 58368225 + 25985406 25985566 chr5 151006098 - 43549808 43549970 2
 16      0       2
 60      4       0
 10      0       4
 70

头部行 (Header Line) 详解

头部行包含了两个序列的基本信息和整体比对概况，格式为一行包含12个字段。

字段	名称	说明
1	chain	固定关键字，标识头部行的开始。
2	score	链的比对得分，用于衡量比对质量。
3	tName	目标序列 (target/reference) 的染色体名称。
4	tSize	目标序列的染色体总长度。
5	tStrand	目标序列的链方向（+ 或 -）。
6	tStart	比对区域在目标序列上的起始位置（0-based）。
7	tEnd	比对区域在目标序列上的结束位置（0-based）。
8	qName	查询序列 (query) 的染色体名称。
9	qSize	查询序列的染色体总长度。
10	qStrand	查询序列的链方向（+ 或 -）。
11	qStart	比对区域在查询序列上的起始位置（0-based）。
12	qEnd	比对区域在查询序列上的结束位置（0-based）。
13	id	链的唯一标识符（应该就是从1开始进行编号）。

注意这里的序列起始位置和终止位置是0-based的左闭右开的区间，比如某条染色体前100个碱基的起始位置是0，终止位置是 100 （不包括 100）。下一段100个碱基的起始位置和终止位置是 100 和 200 。（转为常规的 1-based 的闭区间就是起始位置 + 1，终止位置不变）

tStrand 和 qStrand 的准确定义

这两个字段分别记录了目标序列（Target）和查询序列（Query） 中，用于比对的该条序列相对于其自身参考基因组正链的方向。

• tStrand (目标链方向)：表示在目标基因组（新版本）上，与查询序列比对的这一部分序列，是来自目标基因组的正链（+）还是负链（-）。

  关键事实：在 UCSC 提供的绝大多数 chain 文件中，tStrand 几乎总是 +。因为目标序列通常是组装好的参考基因组，而参考基因组序列文件（FASTA）默认存储的就是正链（+）的信息。

• qStrand (查询链方向)：表示在查询基因组（旧版本）上，与目标序列比对的这一部分序列，是来自查询基因组的正链（+）还是负链（-）。

  这是决定是否翻转的核心开关。如果 qStrand 为 -，说明在旧版本中，该区域是通过反向互补后才与新版比对上的。

当 qStrand 与 tStrand 的符号不一致（相反）时，即判定该位点/区域发生了链翻转。

由于实际使用的 chain 文件中 tStrand 几乎恒为 +，所以判定规则在绝大多数情况下可简化为：

如果 qStrand 为 -，则发生链翻转（需要 flip）；如果 qStrand 为 +，则没有翻转。

坐标转换和示例

当 qStrand 为 - 时，表示比对发生在查询序列的反向链上。此时，qStart 和 qEnd 是反向链上的坐标。要获得其在正链上对应的坐标，需要进行转换。

官方文档给出了一个从 hg38 转换到 mm10 的例子 (hg38ToMm10.over.chain.gz)：

chain 442878230 chr1 248956422 + 158547112 207360161 chr1 195471971 - 21022354 65032227 5

在这个例子中，qStrand 为 -。要计算在 mm10 正链上的坐标，使用以下公式： - mm10Start = qSize - qEnd = 195471971 - 65032227 = 130439744 - mm10End = qSize - qStart = 195471971 - 21022354 = 174449617

我感觉这里有个 bug 或者说笔误，从 chain 文件名称来看，这个例子应该是从 hg38（查询序列） 转到 mm10 （目标序列）。所以这里查询序列是 hg38 ，上面说的由于 qStrand 为 -，计算应该是说的是在 hg38 正链上的坐标才对（而不是 mm10 ）。

chain文件名称 UCSC 的说明文件中内容如下，作为佐证。

The file names reflect the assembly conversion data contained within in the format To.over.chain.gz. For example, a file named mm10ToHg19.over.chain.gz file contains the liftOver data needed to convert mm10 (Mouse GRCm38) coordinates to hg19 (Human GRCh37).

比对数据行 (Alignment Data Lines) 详解

头部行之后，跟着一行或多行数据，用于描述具体的比对区块（blocks）。这些行通常包含三个数字：

字段	说明
size	当前无空位比对区块 (ungapped alignment) 的大小。
dt	当前区块结束到下一个区块开始之间，在目标序列上的距离（即目标序列上的空位大小）。
dq	当前区块结束到下一个区块开始之间，在查询序列上的距离（即查询序列上的空位大小）。

注意：比对数据行的最后一行只有一个数字，即最后一个无空位比对区块的 size 值。

总结

chain 文件通过头部行定义了两个序列的基本信息和整体比对方向，并通过后续的数据行精确记录了每个共线性区块（block）的大小以及区块间的间隙（gap）。这种设计使得它能够高效、精确地描述从简单易位到复杂倒位、重复等多种基因组结构变异。

参考文献

1. https://genome.ucsc.edu/goldenPath/help/chain.html

2. https://biojuse.com/2025/02/12/VCF%20%E6%96%87%E4%BB%B6%E8%BD%AC%E5%9D%90%E6%A0%87%E7%9A%84%E6%96%B9%E6%B3%95%E6%B1%87%E6%80%BB%E5%8F%8A%E6%B3%A8%E6%84%8F%E4%BA%8B%E9%A1%B9/