GC 含量分布图
用滑动窗口绘制 DNA 序列的 GC 百分比分布，找出 GC 富集区和 AT 富集区。
了解更多
功能简介
GC 含量分布图用滑动窗口沿 DNA 序列扫描，把每个窗口的 GC 百分比按位置绘成曲线，从而看到序列的局部碱基组成，而不只是整条序列的一个平均值。图表下方同时汇总总体 GC 含量、窗口均值以及窗口 GC 的最小值与最大值。由于 GC 含量在真实基因组里分布极不均匀，单看一个总体数字会丢掉大量信息：两个平均 GC 都是 45% 的片段，一个可能处处均匀，另一个可能紧挨着一段 70% 的 GC 富集岛和一段 25% 的 AT 富集区。寻找 GC 富集区（例如启动子里的 CpG 岛）与 AT 富集区（例如复制起点）是它最常见的用途。
原理与公式
对起始于第 i 位、大小为 w 的窗口，绘制的数值为「窗口内 G 与 C 的个数 ÷ w × 100」。窗口每次前移 1 个碱基，因此长度为 L 的序列会得到 L − w + 1 个窗口，每个点绘制在窗口的中点位置；1000 bp 的序列配 100 bp 窗口，会得到 901 个数据点。窗口大小体现的是分辨率与噪声之间的取舍：小窗口对短特征敏感，但波动剧烈 —— w = 20 时，单个碱基进出窗口就会让数值变化 5 个百分点，曲线看起来像噪声；大窗口曲线平滑，却可能把一段只有一两百碱基的富集区平均掉。默认的 100 bp 对基因尺度的序列是较好的折中，既能让几百碱基量级的特征显现出来，又不会因单个碱基的进出产生明显抖动。判断某个区域是否突出时，应当与整条序列的总体 GC 比较，而不是与固定的 50% 比较 —— 一条总体 GC 只有 35% 的序列里，局部 50% 就已经是显著的富集区了。结合公认标准更便于解读峰形，例如 CpG 岛通常定义为长度大于 200 bp、GC 含量高于 50%、且 CpG 观察值与期望值之比大于 0.6 的区域；而 GC 含量超过 70% 的窗口，往往对应聚合酶难以通过的强二级结构区。
演算示例
以一段跨越启动子和基因起始区的 1000 bp 序列为例，采用默认的 100 bp 窗口会得到 1000 − 100 + 1 = 901 个数据点。假设总体 GC 含量为 48%，曲线仍可能在转录起始位点上游约 200 bp 的区段升到 72% —— 也就是那一窗口的 100 个碱基里有 72 个是 G 或 C —— 而在下游某个 AT 富集片段降到 32%。窗口最小值与最大值之间 40 个百分点的落差，正是单看 48% 这个平均值时会被完全掩盖的信息。再看一个诊断性的例子：某段序列总体 GC 是 60%，看上去平平无奇，但窗口最大值达到 85%。这样高的窗口通常对应一段难以扩增的区域 —— 如果 PCR 恰好在此处失败，曲线已经给出了原因。反过来，如果整条曲线只在 45% 到 55% 之间小幅波动，说明组成均匀，通常不会遇到由 GC 引起的扩增或测序问题。
适用场景
设计亚硫酸氢盐测序引物或甲基化检测方案之前，先绘制启动子周边区域以定位 CpG 岛，并把引物放在 GC 富集区的两侧而不是正中间 —— 引物本身落在高 GC 区会明显降低扩增效率。当 PCR 总在模板的某个区段失败时，绘制 GC 分布常能发现一个高于 70% 的窗口，聚合酶在那里停滞，提示可以加入 DMSO、甜菜碱或提高变性温度来解决。检查新组装的 contig 时，如果某一段的 GC 含量与其余部分明显偏离，可能提示水平转移岛、可移动元件，或者来自其他物种的污染。做全基因组覆盖度分析时，把低覆盖区域与 GC 曲线叠在一起，可以区分「平台存在 GC 偏好」与「真实的拷贝数变化」这两种完全不同的原因。此外，设计 sgRNA 或杂交探针时避开极端 GC 区、挑选 40% 到 60% 的靶区，也是提高效率的常规做法。
常见问题
- GC 含量分布图和总体 GC 含量有什么区别？
- 总体 GC 含量只给出整条序列的一个平均值，分布图则给出每个位置的 GC 百分比。两者可能相差很大：两个片段平均 GC 都是 45%，一个可能处处均匀，另一个可能包含 70% 的 GC 富集岛与 25% 的 AT 富集区。需要定位具体区域（启动子、CpG 岛、难扩增片段）时，只有分布图能提供位置信息。
- 窗口大小应该选多少？
- 取决于你要找的特征有多大。定位 CpG 岛（通常 200 到 1000 bp）用 100 到 200 bp 比较合适；扫描全基因组的组成偏斜可以用 1000 bp 以上；检查只有几十碱基的局部结构则要降到 20 到 30 bp，代价是曲线噪声明显增大 —— 20 bp 窗口下单个碱基进出就会造成 5 个百分点的波动。默认的 100 bp 对基因尺度的分析是较好的折中。
- 怎么从曲线判断 CpG 岛？
- 找同时满足三个条件的区段：长度大于 200 bp、GC 含量高于 50%、且 CpG 观察值与期望值之比大于 0.6。本工具给出的是 GC 含量，可以先用它筛出候选区段 —— 也就是曲线连续处于 50% 以上的部分 —— 再对候选区段单独核对 CpG 比值。位于基因启动子附近的这类区段最值得关注，因为它们常与转录调控和 DNA 甲基化相关。
- GC 含量超过 70% 说明什么？
- 通常意味着该区段存在强二级结构或异常稳定的双链，聚合酶在此容易停滞。实际表现是提前终止、产物量偏低或出现非特异条带，测序时同一位置的覆盖度也常下降。常见对策是加入约 5% 的 DMSO 或甜菜碱、提高变性温度、改用耐受高 GC 的聚合酶，或者把扩增子拆短、直接避开这个区段。
- GC 分布和测序深度有什么关系？
- 两者经常对着看。测序平台对 GC 有明显偏好：极高 GC 或极低 GC 的区域往往测序深度偏低，甚至出现覆盖空洞。把覆盖度曲线与 GC 分布曲线叠在一起，就能区分两种完全不同的原因 —— 如果低覆盖区恰好落在 GC 极端的窗口上，那是测序偏好造成的技术假象；如果低覆盖区的 GC 正常，则更可能是真实的缺失、重复或拷贝数变化。因此分析全基因组或外显子组数据时，先绘制 GC 分布是判断覆盖度异常的必要一步。
- 输入序列有什么要求？
- 支持单字母 DNA 序列，大小写均可，空白与换行会被忽略。序列中的非 ACGT 字符（如 N 或 IUPAC 简并码）不计入 GC 统计，但会占据窗口位置，因此含有大量 N 的组装序列会让附近窗口的 GC 数值偏低且波动加剧。如果关心的是完整染色体的组成偏斜，建议先剔除 N 比例过高的区段再分析。