文件格式说明 - AIRR（适应性免疫受体组库数据标准）

发表于 | 分类于 ，
AIRR 标准概述：Adaptive Immune Receptor Repertoire 的定义、AIRR Community 标准体系、Rearrangement Schema 字段分类、TSV 文件约定与 productive/junction 等关键概念。

高通量 B 细胞受体（B cell Receptor，BCR）/ T 细胞受体（T cell Receptor，TCR）测序（AIRR-seq）会产出海量 V(D)J 重排序列。不同实验室、注释工具、公共数据库若各用各的列名与语义，数据就难以合并与复现。AIRR（Adaptive Immune Receptor Repertoire，适应性免疫受体组库）标准正是为解决这一问题：由 AIRR Community（The Antibody Society 下属研究社区）维护，定义组库数据的描述、存储与共享规范。

段末注释：AIRR 一词既指生物学上的「组库」本身，也指该社区发布的数据标准；下文未特别说明时，「AIRR 格式」指数据标准。

权威文档：AIRR Community Documentation

1. AIRR 是什么：两层含义

1.1 生物学含义

适应性免疫受体组库指某个体、某组织或某时间点下，由 BCR（含抗体可变区） 与 TCR 组成的 全部 V(D)J 重排序列集合。每条链来自胚系 V、D、J 片段的重组，CDR3 区高度多样，组库规模可从 $10^3$ 到 $10^8$ 条不等。

1.2 数据标准含义

AIRR Standards 是一套开放规范，使注释结果、研究元数据与公共库之间可互操作。主要组件包括：

组件 作用
MiAIRR 研究/reporting 最小信息集：样本、建库、测序、分析流程等元数据
Rearrangement Schema 单条 V(D)J 注释记录的标准字段（最常用）
AIRR Data Model 组库、样本、 repertoire 等对象间的关系
AIRR Data Commons 公共组库数据的提交、查询与下载 API
Reference software 读写、校验 AIRR 格式数据的参考实现

2. Rearrangement：核心数据对象

Rearrangement（重排） 在标准中指：一条已完成 V(D)J 注释的 BCR/TCR 链序列，以及与之关联的全套注释。注释按 8 类 组织：

AIRR Rearrangement 记录的八类字段分区（科普示意）

类别 英文 典型内容
输入 Input 原始 sequence、质量值等
标识 Identifiers sequence_id，用于跨表/跨库关联
主注释 Primary Annotations locus、v_call、d_call、j_call、productive、junction
比对注释 Alignment Annotations 与胚系的比对序列、CIGAR、得分、E-value
比对位置 Alignment Positions 各基因在 query/germline 上的起止坐标
区域序列 Region Sequence fwr1…fwr4、cdr1…cdr3 序列片段
区域位置 Region Positions 各 FR/CDR 在序列上的起止
Junction 长度 Junction Lengths junction 子区长度

官方定义：Rearrangement Schema

3. 文件格式约定（TSV）

Rearrangement 数据通常存为 制表符分隔（TSV） 文件，扩展名 .tsv。

3.1 结构

1
2
3
sequence_id    sequence    rev_comp    productive    v_call    d_call    j_call    ...
seq001         ATGC...     F           T             IGHV3-23*01    IGHD3-3*01    IGHJ4*02    ...
seq002         GCTA...     F           F             IGHV1-69*01    .             IGHJ6*02    ...
  1. 首行：列名（header），字段名使用 snake_case
  2. 数据行：一条 Rearrangement 一行
  3. 无引号：字段值不应加引号；值内不得含制表符或换行

3.2 编码与类型

规则 说明
编码 ASCII 或 UTF-8
布尔值 T = true，F = false
空值 空字符串 ""（required 列也必须存在，但值可为空）
坐标 1-based 闭区间，与 IMGT/INSDC 一致，不用 </> 部分坐标

3.3 Required 列

Schema 规定若干列 必须在 header 中出现（值仍可为空），例如：

字段 含义
sequence_id 查询序列唯一 ID
sequence 输入核苷酸序列（常为未修饰的 query）
rev_comp 是否相对输入做了反向互补
productive 是否预测为有效（可表达）重排
v_call / d_call / j_call V、D、J 胚系基因及等位基因
sequence_alignment / germline_alignment 比对后的 query 与胚系序列
junction / junction_aa Junction 区核酸/氨基酸序列

完整字段列表（含 optional）见 官方 Fields 表。

3.4 自定义列

工具可在 TSV 中增加 不与标准字段同名的自定义列（建议仍用 snake_case）。例如 RIOT 的 conserved_C23_present 等验证标志即属扩展。

4. 关键概念辨析

4.1 Junction 与 CDR3

标准采用 IMGT 定义：

  • junction / junction_aa：CDR3 加上 两侧保守的 Cys（半胱氨酸）/ Trp（色氨酸）或 Phe（苯丙氨酸）密码子
  • cdr3_start / cdr3_end 等坐标：不含 上述两个保守残基

因此 junction 序列通常比「狭义 CDR3 环」两端各多 1 个保守氨基酸。

4.2 Productive（有效重排）

Schema 未强制唯一算法，推荐采用 IMGT 定义，需同时满足：

  1. 编码区为开放阅读框（Open Reading Frame，ORF）
  2. 起始密码子、剪接位点、调控元件无缺陷
  3. 无内部终止密码子
  4. Junction 区读框正确（in-frame）

对应字段：productive（T/F）、常配合 stop_codon、vj_in_frame、v_frameshift 等辅助判断。

4.3 Locus 与基因命名

  • locus：链/座位类型，推荐 IMGT 命名，如 IGH、IGK、IGL、TRA、TRB、TRD、TRG
  • v_call 等：推荐与所用胚系库 nomenclature 一致，如 IGHV4-59*01

4.4 CIGAR 字符串

V/D/J 比对细节用 SAM 风格 CIGAR 表示（M、I、D、S、N、=、X 等），参考序列为对应基因的 germline。详见 官方 CIGAR 说明。

5. 与相关标准/工具的关系

体系 关系
IMGT 编号、locus、junction/CDR3 语义与 IMGT 对齐；v_call 常写 IMGT 等位基因名
MiAIRR 描述「这一组 Rearrangement 来自哪项研究、哪份样本」；Rearrangement TSV 是序列级注释表
ANARCI 输出 (位点, aa) 列表，不原生组织为 AIRR TSV
RIOT（riot-na） 输出 AirrRearrangementEntryNT/AA，为 AIRR Rearrangement 的裁剪扩展
Immcantation R/Bioconductor 生态，常用 AIRR 兼容 TSV 作为输入
AIRR Data Commons 公共组库入库与查询入口

抗体工具选型可参考：抗体-04.工具-06 IMGT/ANARCI/RIOT 对比。

6. 最小可读示例（概念）

下列为说明用简化行，非完整 required 列集：

1
2
3
sequence_id	sequence	rev_comp	productive	v_call	d_call	j_call	junction	junction_aa	locus
clone_01	CAGGTGCAGCTG...	F	T	IGHV3-23*01	IGHD3-3*01	IGHJ4*02	TGTGCGAGA...	CARR...	IGH
clone_02	GAGGTGCAGCTG...	F	F	IGHV1-69*01	.	IGHJ6*02	TGTGCTAG...	CAA...	IGH

解读要点：

  • productive=T：预测可表达；F 可能含终止码或移码
  • d_call=.（空）：轻链或无 D 基因参与时 D 为空
  • junction：含 CDR3 及 flanking 保守残基对应序列

7. 查阅与实现

资源 链接
标准总览 docs.airr-community.org
Rearrangement Schema Rearrangements
MiAIRR 报告规范 Study Reporting
参考实现（Python/R） Software Libraries
规范源码 airr-community/airr-standards

参考文献

  1. AIRR Community. AIRR Community Documentation
  2. Vander Heiden J.A. et al. AIRR Community recommendations for sharing immune-repertoire sequencing data. Nature Immunology (2017)
  3. Christley S. et al. The ADC API: A Web API for the Programmatic Query and Download of Data from the AIRR Data Commons. Frontiers in Big Data (2020)
-------------本文结束感谢您的阅读-------------