随着小麦基因组注释版本的不断更新，中国春（Chinese Spring）参考序列的基因编号也从旧版逐步迁移到新版。对于经常处理转录组、比较基因组或重测序数据的生信研究者来说，ID不一致常常导致数据整合的“卡壳”时刻。最近，IWGSC（国际小麦基因组测序联盟）发布了RefSeq Annotations v2.1，对应的基因ID格式从原来的TraesCS*02G*（v1.1）变为了TraesCS*03G*（v2.1）。如何快速、准确地将手中的旧版ID映射到新版？本文将基于官方对应关系，为你提供一套清晰的处理流程和一个可直接复用的脚本，帮你轻松跨过版本鸿沟。
为什么需要更新基因ID？
基因组注释版本更新往往意味着基因模型更加准确、基因边界更清晰、甚至合并或拆分了一些基因座。v2.1版本在v1.1的基础上进行了大规模修正，因此ID命名规则也随之改变（数字部分从02变为03）。如果你正在使用Ensembl Plants、NCBI或IWGSC数据库下载的v1.1时代的数据，而新发表的论文或公共数据已采用v2.1，ID映射就是无法绕开的第一步。
数据来源与官方映射文件
所有官方对应关系都打包在IWGSC提供的压缩文件中，直接下载即可：
https://urgi.versailles.inrae.fr/download/iwgsc/IWGSC_RefSeq_Annotations/v2.1/iwgsc_refseq_all_correspondances.zip
解压后得到一个名为iwgsc_refseq_all_correspondances.csv的表格。该表格包含四列，依次是：v1.0（最早的注释版本）、v1.1（我们常用的旧版）、v2.1（新版）、css2014（另一套命名体系）。对我们来说，最关键的是第二列（v1.1基因ID）和第三列（v2.1基因ID）。
ID映射处理流程详解
直接拿旧ID去表格里搜索可不行，因为表格中的ID都是基因级别（不带转录本后缀），而且部分旧ID存在细微的格式错误。下面是经过验证的处理步骤：
第一步：去掉转录本版本号
你的ID通常是TraesCS2A02G206200.1这样的形式，末尾的“.1”表示转录本版本。官方映射表只包含基因ID（无后缀），因此必须先去掉“.1”。如果某基因有多个转录本，映射后也只会得到一个基因级的新ID。
第二步：修正常见格式错误
在实际处理中，我们发现两类典型错误：
- 前缀缺失或错位：如“raesCS2A02G206200.1”明显少写了“T”，需要补全为“TraesCS2A02G206200.1”。
- 数字位数不足：例如“TraesCS6A02G04170.1”实际上应该是“TraesCS6A02G041700.1”（数字部分固定为6位，缺位补零）。这些错误如果不修正，将无法匹配到任何结果。
第三步：在映射表中匹配
清洗后的旧ID与映射表第二列进行精确匹配，提取第三列作为新版ID。如果匹配失败，再尝试在ID末尾加上“LC”进行二次匹配（部分低置信度基因在表中带有“LC”后缀）。
第四步：去重
如果一个基因对应多条转录本，它们都会映射到同一个基因ID，因此输出时需按基因去重，保留唯一对应关系。
部分映射示例
下面列举了几个具有代表性的映射结果，可以直观感受版本变化：
-
TraesCS2A02G206200.1→TraesCS2A03G0433700 -
TraesCS2D02G209900.1→TraesCS2D03G0438600 -
TraesCS4D02G322700.1→TraesCS4D03G0752900 -
TraesCS6A02G04170.1（修正为TraesCS6A02G041700.1后） →TraesCS6A03G0093800 -
TraesCSU02G105300.1→TraesCSU03G0065000LC（此基因在v2.1中属于低置信度模型）
可以看到，大部分ID都能顺利找到对应关系，只有少数低置信度基因会带上“LC”标记。如果你在后续分析中使用这类基因，建议留意其注释质量。
一键复现：自动化映射脚本
为了让你能批量处理自己的ID列表，我们编写了一个Shell脚本map_cs_id_to_v21.sh。它内置了上述所有处理逻辑，并附带了示例ID供测试。
脚本用法
- 直接运行（使用内置示例）：
./map_cs_id_to_v21.sh - 处理自定义ID文件（每行一个ID，支持空行和
#注释）：./map_cs_id_to_v21.sh your_ids.txt
核心逻辑解读
脚本的核心部分并不复杂，但包含了几个关键细节：
# 1. 规范化ID：补全前缀、去掉后缀、补零
awk '
{
id=$0
sub(/^raesCS/, "TraesCS", id) # 修复前缀
sub(/\.1$/, "", id) # 去掉转录本后缀
if (id=="TraesCS6A02G04170") id="TraesCS6A02G041700" # 补零
print $0 "\t" id
}' "$INPUT" > normalized.tsv
# 2. 在映射表中匹配，并处理LC回退
while IFS=$'\t' read -r input_id old_id; do
new_id=$(awk -v k="$old_id" '$2==k {print $3; exit}' "$CSV")
if [ -z "$new_id" ]; then
new_id=$(awk -v k="$old_id" '$2==k"LC" {print $3; exit}' "$CSV")
fi
echo -e "$input_id\t$old_id\t${new_id:-NOT_FOUND}"
done < normalized.tsv
- 规范化步骤同时处理了前缀缺失和数字位数问题，确保匹配的准确性。
- 匹配时先精确查找，若失败则自动尝试带“LC”的版本，尽可能覆盖所有可能。
- 输出结果包含原始ID、规范化后的旧ID以及对应的新ID，方便你核对。
注意事项与扩展应用
- 映射是基因级别的：如果你需要保留转录本信息，映射后可能需要根据新ID重新从GTF/GFF文件中提取转录本列表。
- 低置信度基因（LC）：部分ID映射结果带有“LC”，表明这些基因在v2.1中属于低置信度模型，使用时需谨慎，或考虑用同源基因替代。
- 脚本修改建议：如果你需要映射的ID量非常大（数万条），建议将映射表加载到数据库或用Python的pandas进行合并，脚本适合中小规模列表的快速验证。
希望这份指南和脚本能帮你顺利完成基因ID的版本升级。如果你在映射过程中遇到其他奇葩的ID格式，也欢迎分享到评论区，大家一起完善这个实用工具。
