信息速览
DDBJ 是 DNA Data Bank of Japan 的缩写，中文常译作日本 DNA 数据银行，由日本国立遗传学研究所运营，坐落于静冈县三岛市。它 1984 年在国立遗传学研究所开始运转，1987 年发布第一版，到今天仍是日本唯一的国家级核酸序列档案。但它并不是一个「日本的数据库」——它是国际核酸序列数据库协作组织（INSDC）的三个成员节点之一，与美国的 GenBank、欧洲的 ENA 平级。
这一点决定了它的全部性格。三个节点每天交换已经释放的记录，一份提交在三个站点都能检索到，登录号完全相同。因此 DDBJ 页面上那个庞大的记录数，绝大部分并不是日本人提交的：官方论文给出的构成是 GenBank 八成、ENA 一成六、DDBJ 自己三点五个百分点。把 DDBJ 当成「日本数据的仓库」会立刻算错，把它当成「同一本账的日本柜台」才准确。
本文写三件事：它由哪几个库组成、每个库管什么；它的规模数字按什么口径统计；以及它明确不收录什么。评测与使用建议只在边界处点到为止，不作为主线。一屏速览见下表。
| 维度 | 内容 |
|---|---|
| 全称 | DNA Data Bank of Japan（日本DNA数据银行） |
| 运营主体 | 国立遗传学研究所 生命信息与 DDBJ 中心（Bioinformation and DDBJ Center） |
| 所在地 | 日本静冈县三岛市 |
| 上级法人 | 情报与系统研究机构（ROIS） |
| 国际身份 | INSDC 三成员之一，另两家为 NCBI GenBank、EBI ENA |
| 建立年份 | 1984 年着手，1987 年首次发布 |
| 发布节奏 | 每季度一次全库发布，另每日与另两节点交换增量 |
| 五大库 | DDBJ（注释/组装序列）、DRA（原始读段）、GEA（功能基因组）、MetaboBank（代谢组）、JGA（受控人类数据） |
| 元数据层 | BioProject（项目）、BioSample（样本） |
| 最新发布 | 第 143 次，2026 年 9 月，六十九亿余条记录、六十四万亿余碱基 |
| 该口径含义 | INSD 全体副本，非日本一国提交量 |
| 日本份额 | 约占全量几个百分点 |
| 读段体量 | 二十点六拍字节（其中 FASTQ 一点六拍字节） |
| 使用许可 | 无限制使用与再分发；JGA 数据另受人类数据共享准则约束 |
| 算力配套 | 国立遗传学研究所超算，逾一万四千核、五十拍字节存储 |
§1 它要解决的具体麻烦
1.1 同一段序列，三个国家各存一份的时代
1980 年前后，核酸序列还是印在论文附页上的字符串。欧洲分子生物学实验室建了 EMBL 数据库，美国建了 GenBank，两家在 1982 年开始合作，并邀请日本加入。日本当时的处境很具体：本国研究者要把序列送到国外，登录号由别人发，数据的主权与可见性都捏在别人手里。1984 年国立遗传学研究所开始试运行，1987 年发布第一版，这才有了第三个节点。
如果只是「再建一个库」，这件事的意义有限。真正的设计在于三家的分工方式：各自接收本国及周边地区的提交，各自分配登录号，然后把已释放的记录每天互相拷贝一份。结果是任何一条记录在三个站点都能查到，登录号一致，内容一致，连修订也同步。这套安排 2005 年被正式命名为 INSDC，统一的数据库叫 INSD。
这个设计解决了一个今天仍然存在的麻烦：研究者不必知道数据存在哪个大洲。你在论文里看到 AB 开头的登录号，可以去 DDBJ 取，也可以去 GenBank 取，拿到的是同一份平面文件。代价是三个站点的大部分内容彼此重复，任何按站点做的统计都必须先想清楚是在数「档案记录」还是「独立数据」。
1.2 三条常见的错误期待
| 常见期待 | 实际情况 |
|---|---|
| 以为 DDBJ 是日本数据的专库 | 它是 INSD 的全量副本，日本提交的部分只占几个百分点 |
| 以为三个节点各有各的数据、可以相加 | 每日交换，同一登录号在三处重复出现，相加即重复计数 |
| 以为记录多就代表覆盖广 | 记录按登录号计，一次全基因组测序可能只产生一条 WGS 主记录 |
1.3 它能给到的与给不到的
| 你的需求 | 它给的 | 够不够 |
|---|---|---|
| 按登录号取一条序列的完整注释 | 平面文件，含特征表与文献 | 够，这是它的基本单元 |
| 找某个物种的全部公开基因组 | 按分类学与分区检索，可批量下载 | 够，但要自行去重 |
| 原始 FASTQ | 不在序列库，需转 DRA 运行号 | 不够，要换库 |
| 基因表达矩阵 | 不在 DDBJ 本体，需转 GEA | 不够，要换库 |
| 代谢组质谱原始数据 | 需转 MetaboBank | 不够，要换库 |
| 带随访的个体级人类数据 | 需经 JGA 申请与审查 | 不够，流程另算 |
| 数据质量评级 | 不提供，只提供提交者填写的信息 | 不够 |
| 蛋白质结构 | 不收录 | 不够 |
1.4 你的处境与它能帮到的事
| 你的处境 | 它能帮你什么 | 下一步该做什么 |
|---|---|---|
| 论文里看到一个 AB 或 LC 开头的登录号，要取序列 | 按登录号直取平面文件，含版本号 | 用 getentry 或 DDBJ Search，注意带版本后缀 |
| 要给一批新测的基因组找登录号 | 三条提交通道，按数据量选择 | 先建 BioProject 与 BioSample，再提交序列 |
| 要下载某物种全部线粒体基因组做系统发生 | 按分区与分类学批量检索 | 用 FTP 或 WebAPI 批量取，自行去重与过滤 |
| 要复用别人的原始读段重跑流程 | 指向 DRA 的运行号 | 换到 DRA 取 FASTQ，不在序列库找 |
| 要提交带个体信息的人类数据 | 走 JGA 受控访问通道 | 先向 DBCLS 提交申请并通过审查 |
| 要做病毒基因组的实时监测 | 病原体门户按物种聚合 | 关注病原体门户与其数据更新节奏 |
1.5 一句话判断
如果要把 DDBJ 用对，只需要记住一句话：它是一份三方共享账本的日本入口，不是一份日本自己的账本。所有关于「多少条」「多少碱基」的判断，都要先问这个数字数的是哪一层。
1.6 不适合谁：四条边界
第一，不适合把三个节点当成三个数据源的人。任何「GenBank 加 ENA 加 DDBJ 等于全世界序列总量」的算法都会把同一批数据数三遍。正确做法是只取一家，或者用 INSDC 层面的合并统计。
第二，不适合要求质量分级的人。DDBJ 不做数据质量评级，也不标注哪条记录可信、哪条记录有污染。它只保证格式合法、来源物种在分类学上存在、注释字段符合受控词表。序列本身的可靠性由提交者负责。
第三，不适合需要临床与随访字段的人。开放库里的序列记录只有物种、株系、地理来源、采集日期这类字段，没有病程、疗效、生存期。个体级数据在 JGA，而 JGA 的价值在于基因型与表型的配对，不在于临床终点。
第四，不适合想要「一份文件装下全部」的人。DDBJ 的交付形态是按记录与按库切分的：序列在平面文件里，读段在 DRA，表达在 GEA，代谢组在 MetaboBank，样本描述在 BioSample。想要一张横跨全部库的宽表，得自己做关联。
§2 数据构成与规格
2.1 五个库，五种粒度
DDBJ 中心的服务清单很长，但真正承载数据的只有五个库，加上两个元数据层。把它们混为一谈是最常见的错误，因为它们的计数单位完全不同。
| 库 | 收什么 | 计数单位 | 访问方式 | 规模（官方时点） |
|---|---|---|---|---|
| DDBJ | 注释与组装后的核酸序列 | 记录（entry） | 开放 | 随 INSD 全量发布 |
| DRA | 高通量测序原始读段与比对信息 | 运行（run） | 开放 | 二十点六拍字节 |
| GEA | 基因表达、表观遗传、SNP 分型芯片 | 实验（experiment）/样本 | 开放 | 六百三十一项实验、一万二千八百二十九个样本 |
| MetaboBank | 质谱、核磁、成像质谱的代谢组数据 | 研究（study）/样本 | 开放 | 一百五十三项研究、四千一百四十五个样本 |
| JGA | 个体级基因型与去标识表型 | 研究/数据集 | 受控 | 五百零一项研究、九十六万余样本 |
| BioProject | 研究项目的组织单位 | 项目 | 开放 | 与各库交叉引用 |
| BioSample | 生物来源材料的描述 | 样本 | 开放 | 与各库交叉引用 |
这张表里最容易被忽略的是最后两行。BioProject 与 BioSample 不存序列、不存读段，只存「这批数据属于哪个项目」「这份材料取自哪里」。它们是把五个库缝在一起的线：一条序列记录通过 DBlink 指向 BioProject 与 BioSample，一次 DRA 运行也指向同样的两个号。没有这两层，五个库就是五座孤岛。
2.2 一条序列记录的解剖
序列库的最小单元是一条平面文件记录。它的结构几十年没有大变，正因为稳定，才有了跨节点的互操作。
LOCUS LC789012 1658 bp DNA linear PLN 15-SEP-2026
DEFINITION Arabidopsis thaliana ABC1 mRNA, complete cds.
ACCESSION LC789012
VERSION LC789012.1
KEYWORDS .
SOURCE Arabidopsis thaliana (thale cress)
ORGANISM Arabidopsis thaliana
Eukaryota; Viridiplantae; Streptophyta; Embryophyta; ...
REFERENCE 1 (bases 1 to 1658)
AUTHORS Example,T. and Sample,H.
TITLE Direct Submission
JOURNAL Submitted (01-SEP-2026) DNA Data Bank of Japan, Mishima, Shizuoka, Japan
FEATURES Location/Qualifiers
source 1..1658
/organism="Arabidopsis thaliana"
/mol_type="mRNA"
/db_xref="taxon:3702"
CDS 58..1341
/product="ABC transporter"
/protein_id="BCT12345.1"
ORIGIN
1 atggcttcta ctacagcttc ttcttcttct tcttcttctt cttcttcttc ttcttcttct
//
几个字段值得单独说。LOCUS 行末尾的三字母分区码（这里是 PLN）决定了它在发布统计里被归到哪一类；VERSION 带一个点号后缀，每次修订递增，引用时必须带后缀，否则指向的是旧版；FEATURES 段的 source 特征里那行 /db_xref="taxon:3702" 是分类学锚点，全套分类比对都靠它；最后一行单独的 // 是记录终止符，早期工具靠它切分文件。
一条记录只描述一段序列。如果研究涉及一万条读段组装出的基因组，通常会提交成一条 WGS 主记录加若干条 contig 记录，而不是一万条独立记录。这就是为什么「记录数」与「数据量」在 DDBJ 里从来不是线性关系。
2.3 登录号的前缀是地理标签
INSDC 的登录号格式由数据类型决定，而前缀隐含了签发节点。也就是说，看前缀就能判断这条记录最初提交到了哪一家。
| 数据类型 | 格式 | 例子 | 前缀归属 |
|---|---|---|---|
| 常规注释序列 | 一个字母加五位数字 | A12345 | 早期通用 |
| 常规注释序列 | 两个字母加六位或八位数字 | AB123456 | 按节点分段分配 |
| 大规模数据（WGS/TSA/TLS） | 四个字母加八到十位数字 | ABCD01012345 | 按节点分段分配 |
| 蛋白标识 | 三个字母加五位数字 | BCT12345 | 与核酸记录绑定 |
| 读段运行 | 三个字母加六位以上数字 | DRR000001 | D 开头为 DDBJ |
| 项目 | 五个字母加数字 | PRJDB12345 | DB 段为 DDBJ |
| 样本 | 四个字母加八位数字 | SAMD00000001 | D 段为 DDBJ |
前缀分段这件事有一个实际后果：当你按登录号批量抓取时，前缀分布会直接反映这批数据的来源国，而不是研究对象的分布。一个做全球病原监测的项目，抓到的记录可能绝大多数是 PRJNA 与 PRJEB 开头，PRJDB 只占很小一部分。
2.4 规模：三个口径不要混
DDBJ 官方统计页给出的是季度发布快照。第 143 次发布于 2026 年 9 月，记录数为六十九亿四千六百九十一万余条，碱基数为六十四万四千二百五十八亿余个，相对上一次发布的碱基增幅为百分之七点五。同一页还有一行 DAD，那是专利来源的氨基酸序列集，第 113 次发布为四亿余条、一千七百亿余残基。
这些数字看着像「日本的数据量」，其实不是。同一时期官方论文给出的注释序列总量约为五十六亿条，并明确拆出构成：GenBank 八成、ENA 一成六、DDBJ 三点五个百分点。按此折算，日本自行提交的部分约在两亿条上下，不到全量的三十分之一。发布统计数的是三节点共享之后的并集，也就是 INSD 全体。
| 口径 | 数字 | 含义 | 能不能用来比较 |
|---|---|---|---|
| DDBJ 季度发布 | 同上（第 143 次快照） | INSD 全量副本 | 可与 INSD 层面统计比，不可与单节点提交量比 |
| 论文给出总量 | 约五十六亿条（2025 年 6 月） | 同上，时点略早 | 同上 |
| 其中 DDBJ 份额 | 约三个百分点 | 日本节点签发的记录 | 这才是「日本提交量」的近似 |
| DAD 发布 | 四亿余条 | 专利氨基酸序列 | 与核酸库不可相加 |
| DRA 累计 | 拍字节量级 | 原始读段 | 与记录数不同量纲 |
第五行值得单独说明。读段库的体积按拍字节计，序列库按条数计，两者不能换算也不能相加：一次测序运行可能产生几百 GB 读段，最终只组装出一条染色体记录。任何「DDBJ 一共有多少数据」的问句，都必须先指定问的是哪一层。
2.5 三节点同步：同一份数据的三个视图
同步机制的官方描述很简短：DDBJ 与 ENA/EBI、NCBI 每天交换已释放数据，三家在任何时点共享几乎相同的数据。这句话有几层实际含义。
其一是范围。交换的是「已释放」记录，不是「已提交」记录。一条记录在释放日期之前只存在于签发节点，公开后才进入交换。这解释了为什么预发布数据只能从提交它的那一家取。
其二是方向。交换是双向的，包含新增与修订。一条记录在 GenBank 改了注释，DDBJ 侧会跟着变，版本号后缀递增。因此「我在 DDBJ 看到的内容」与「这条记录最初提交到哪里」无关。
其三是时点。三家的发布节奏不同：DDBJ 按季度打包全库快照，日常增量按天同步。所以在季度发布的边界上，DDBJ 的统计数字与另两家的实时数字会有差异，这不是错误，是口径与时点之差。
其四是边界。同步的是 INSDC 范畴内的数据：注释序列、原始读段、样本、项目。GEA、MetaboBank、JGA 不在 INSDC 框架内，它们是 DDBJ 中心自建的库，不与另两家交换。这一点极容易搞错：GEA 与 NCBI GEO、EBI ArrayExpress 是同类资源，但三者之间没有每日交换，只是互相链接。
2.6 明确不包含什么
边界比清单更能说明一个库是什么。DDBJ 官方列出的「不接受」清单相当具体，且部分带生效日期，这些是最硬的结构事实。
| 不接受的内容 | 官方理由或生效时间 |
|---|---|
| 无核苷酸底稿的纯氨基酸序列 | 氨基酸数据另置 DAD，且需有对应的核酸提交 |
| 基因组 DNA 与 RNA 转录本混合的序列 | 分子类型必须单一 |
| 无实物对应的共识序列 | 需有可追溯的物理材料 |
| 长度不足一百个核苷酸的序列 | 2021 年 6 月起 |
| 仅由引物构成的序列 | 2021 年 6 月起 |
| 原核或真核全基因组中不足一千个核苷酸的序列 | 2026 年 6 月起 |
| 含百分之五十以上 N 的序列 | 2026 年 6 月起 |
| 计算预测或仅有引用来源的序列 | 必须是提交者实验测定的 |
除上述各项，还有几类内容属于「不在这层」而非「不接受」：蛋白质三维结构在结构数据库；蛋白质组质谱在蛋白质组库；临床与随访数据不在开放库；个体级人类基因型在 JGA；变异频率与人群注释在 TogoVar 一类资源。把这些都算进 DDBJ，会得到一个远比实际庞大的想象。
§3 它的身份：谁的账本，对谁负责
3.1 名字的四层
DDBJ 这个名字在四个层面上被使用，混用会带来误解。
最窄的一层是序列库本身，即与 GenBank 对位的那部分，只收注释与组装序列。第二层是中心，即生命信息与 DDBJ 中心，它同时运营序列库、读段库、表达库、代谢组库、受控访问库与超算。第三层是日本的国家节点身份，代表日本参与 INSDC 的治理与数据交换。第四层是历史称谓，指 1984 年到 2019 年间几经改名的机构实体。
日常说「DDBJ 有多少条记录」指的是第一层加第三层：以日本节点身份发布的 INSD 副本。说「DDBJ 有哪些服务」指的是第二层。这两句话的数字完全不同，前者以十亿计，后者以个数计。
3.2 法人结构与 2026 年的重组
中心的上级法人是情报与系统研究机构，具体运行在国立遗传学研究所内，受文部科学省支持，另设 DNA 数据库咨询委员会作为外部顾问机构。这个结构从 2004 年国立遗传学研究所加入 ROIS 起基本稳定。
2026 年有一次值得记录的调整。当年 4 月 1 日，原属数据科学联合支持中心的生命科学数据库中心（DBCLS）重组为国立遗传学研究所「生物数据科学计划」（BioData Science Initiative）下的生命科学数据库部门。这一变动把原先分属两个法人的两块业务放到了同一个计划下：一块是做数据库运营的 DDBJ 中心，一块是做人类数据审查与生命科学数据库协调的 DBCLS。
证据是官方文本自身的用词变化。中心 2026 年 9 月修订的使用条款里，「中心」的定义已经写成「情报与系统研究机构国立遗传学研究所的生物数据科学计划」，而不再是「生命信息与 DDBJ 中心」。同一时期官网首页与 2026 年发表的年度论文仍沿用旧名。两套名称并存，属于过渡期的正常现象，但对引用者是个陷阱：写机构名时应注明所据文本的日期。
3.3 INSDC 的治理：两个委员会
INSDC 不是法人，是一份协作安排，靠两个委员会运转。执行委员会管战略方向、会议组织、网站内容、争端解决与成员资格预期；实施委员会管政策与流程的采纳、技术变更的应对、数据模式与基础设施的修改审批、新成员的培训与评估。
对使用者而言，这套治理的可见后果只有一条：三个节点的数据模式是同一套。字段名、受控词表、分区代码、必填项，全部由实施委员会统一。这也是为什么一份平面文件在三个站点长得一样，为什么同一段解析代码可以通用。
成员资格是开放的。除三家创始成员，还有区域节点的参与安排：韩国的 KOBIC 与中国的 NGDC 通过 DDBJ 中转提交，数据最终进入 INSD。这条通道在近两年扩张得很快，是 DDBJ 提交量结构变化的主因之一。
3.4 对谁负责：三种责任边界
| 责任对象 | 它承担的部分 | 它不承担的部分 |
|---|---|---|
| 提交者 | 保证登录号全球唯一、永久有效，保证记录不被他人覆盖 | 不保证提交内容的科学正确性 |
| 使用者 | 保证已释放数据可无限制获取与再分发 | 不保证数据适合任何特定分析 |
| 协作伙伴 | 保证每日交换完整、及时、含修订 | 不保证三家统计口径与时点一致 |
| 人类数据主体 | 按知情同意范围控制开放层级 | 不对二次使用的伦理审查负责 |
从这张表能提炼出一条使用准则：把 DDBJ 当作「一份有法律意义的登记簿」，而不是「一份质量认证」。登录号的意义是确权与可引用，不是背书。这也是为什么官方在使用条款里明确写着，数据内容与质量由提交者负责。
3.5 三条轴
DDBJ 建立的坐标系有三根轴。
分类学轴由 NCBI 分类数据库定义。每条记录的 source 特征都带一个 taxon 号，分区归属也由分类学决定：人归 HUM，灵长类归 PRI，啮齿类归 ROD，其余哺乳类归 MAM，其余脊椎动物归 VRT，无脊椎动物归 INV，植物与真菌归 PLN，细菌归 BCT，病毒归 VRL，噬菌体归 PHG。分类学一变，分区就可能变，这是历史统计难以严格对齐的原因之一。
项目轴由 BioProject 定义。一个项目可以横跨多个库：同一批研究既有 DRA 读段，又有 DDBJ 组装序列，还有 GEA 表达数据，它们共享同一个 PRJDB 号。这是跨库关联的唯一稳定锚点。
时间轴由两个日期定义：提交日期与释放日期。前者写在参考文献段里，后者写在 LOCUS 行。两者之间的间隔由提交者设定，可以长达数年。做时间序列分析时用哪个日期，会得到完全不同的曲线。
§4 它的手艺：一份提交如何变成三处可见
4.1 三条提交通道
提交侧的分流按数据量与是否需要注释来决定，三条通道对应三种典型场景。
第一条是网页向导，适合单条或少量序列。填物种、填序列、填参考文献，系统做格式校验后给号。适合小规模的基因克隆、线粒体基因组、单个病毒基因组。
第二条是批量提交系统，适合大规模数据：全基因组鸟枪法组装、转录组组装、靶向位点研究。提交者准备序列文件与制表符分隔的注释表，系统按表中的 DATATYPE、DIVISION、KEYWORD 字段自动归类。这条通道的前置条件是先有 BioProject，除病毒、质粒与细胞器外，基因组级提交都要求先立项。
第三条是注释辅助工具，典型的如原核基因组自动注释服务。它把基因预测与功能注释做完，直接产出可提交的注释文件。官方论文提到，2024 年提交的注释细菌基因组里有百分之九十八点五走了这条路径。这个比例说明一件事：绝大多数细菌基因组并不是人工逐基因注释的，而是流水线产物。使用这类记录时，注释的可信度应按流水线而非人工策展来预期。
4.2 校验与策展：能改什么，不能改什么
中心对提交数据做的处理有明确边界。使用条款写明：为维持质量与可用性，中心可以修正明显错误与不一致、转换格式、补充相关信息；超出这个目的的加工须经提交者同意。
落到操作层面，能改的是格式层面的东西：分区归错、限定符拼写错误、分类学名称失效、特征位置越界。不能改的是内容层面的判断：这个基因是不是基因、这个物种鉴定对不对、这段序列有没有污染。后者属于科学判断，责任在提交者。
这条边界有一个可见后果：DDBJ 的记录里确实存在错误注释与污染序列，而且没有任何字段标注「此条可疑」。要做质量过滤，只能靠外部手段：比对参考基因组、检查分类学一致性、筛查载体与接头残留。官方提供的载体筛查工具只能辅助，不能替代。
4.3 案例：从 PRJDB16992 到一份元数据
用一个真实的项目走一遍，能看清五个库如何咬合。官方论文记载，日本在发布猴痘病毒基因组时使用了 BioProject PRJDB16992，并且出于隐私考虑，用日期区间替代了具体采样日期。这个项目同时体现了三件事：项目号作为锚点、样本层承载采集信息、释放策略可以按字段调整。
第一步是找项目。在 DDBJ Search 里输入 PRJDB16992，返回一条 bioproject 记录，包含标题、描述、实施机构、资助信息、关联文献与外部链接。项目记录本身不含序列，只含组织信息。
第二步是展开样本。同一项目下挂着若干 BioSample 记录，以 SAMD 开头。每条样本记录给出来源生物、分离株、地理来源、采集日期与一组属性字段。地理字段在 2024 年 6 月后统一改用 geo_loc_name 限定符，此前的记录用的是 country，做批量解析时必须两个字段都读。
第三步是展开数据。样本再往下分叉：走读段的指向 DRA 的运行号（DRR 开头），走组装序列的指向 DDBJ 的序列登录号，两者都通过 DBlink 与同一个 BioSample 相连。到这里，一条从项目到碱基的链路才闭合。
第四步才是取数。序列走 getentry，读段走 DRA 的下载接口，两者格式不同、体积差几个数量级。§4.3 的案例在后文讲取数路径与质量边界时还会再用到，因为它同时覆盖了「元数据公开、数据分级」这一 DDBJ 的基本结构。
4.4 每日交换的技术含义
交换听起来简单，做起来要解决三个问题：主键冲突、修订传播、删除处理。
主键冲突靠前缀分段解决。三个节点各自持有一段字母空间，签发的登录号永不相交，因此合并时不需要重新编号。这也是为什么前缀能反推签发地。
修订传播靠版本号。一条记录的每次实质修改都会让版本后缀加一，交换时按版本号取新。使用者若引用了不带后缀的登录号，指向的是最新版；带后缀则锁定具体版本。这两种引用方式在可复现性上的差别很大。
删除处理是最少被讨论的一环。INSDC 的原则是记录不删除，只标记或修订，因为登录号一旦发出就成为科学记录的一部分。实践中偶有整批撤回，但那是例外而非常规。
4.5 区域镜像：KOBIC 与 NGDC
近两年 DDBJ 的提交结构出现了一个新变量：区域中转。韩国的 KOBIC 与中国的 NGDC 通过 DDBJ 提交数据，最终进入 INSD。官方统计页给出了这条通道的量：2025 年来自 KOBIC 的中转提交为七百零五次、三十二点二八太字节；来自 NGDC 的为二千八百一十三次、五百二十九点三一太字节。
这个量级已经不小。五百多太字节的中转提交，相当于把一批中等规模的国家级项目整体搬进了 INSD。论文给出的累计镜像数据是：KOBIC 侧四百个项目、一万余样本、二万余次运行；NGDC 侧一万五千余项目、七十二万余样本、一万七千余次运行。项目数与运行数的比例反常，说明 NGDC 侧以「多项目、小体量」的提交为主。
对使用者的影响是直接的：DDBJ 上的记录不再主要来自日本。按 PRJDB 前缀判断「日本研究」会越来越不准，因为中转提交同样获得 DDBJ 签发的号。
4.6 超算：库和算力是同一套班子
DDBJ 中心同时运营国立遗传学研究所超算，这不是附带业务，而是运行方式的组成部分。序列比对、注释流水线、受控数据的分析环境，都跑在同一套机器上。
2025 年上半年完成的升级给出了具体规格：逾一万四千个 CPU 核、五十拍字节的专用并行存储、四套八卡 GPU 服务器（共三十二块 B200）、二十四块 L40S 加速卡，以及两套国产众核处理器系统。个人基因组的安全分析区是独立硬件分区，每个用户独占计算节点。
这层关系解释了一个常被忽略的事实：DDBJ 不只是「存数据的地方」，它还是「算数据的地方」。受控访问数据之所以能开放分析而不允许下载，靠的就是这套分区隔离的算力环境。
§5 取数：五个入口的取舍
5.1 入口对照表
| 入口 | 适合的任务 | 返回什么 | 限制 |
|---|---|---|---|
| DDBJ Search | 关键词与登录号检索、跨库定位 | 元数据与记录详情 | 单次最多一万条；无修订历史 |
| getentry | 按登录号取平面文件 | 完整记录文本 | 需已知登录号 |
| WebAPI | 程序化批量检索 | JSON | 受速率与条数限制 |
| FTP 站点 | 整库下载 | 打包文件 | 体积大，需自建索引 |
| DRA 下载 | 取原始读段 | FASTQ / SRA 格式 | 单条运行可达数百 GB |
五个入口的分工很清楚：Search 负责找，getentry 负责取单条，API 负责批量，FTP 负责全量，DRA 负责读段。选错的典型表现是用 Search 做全量下载，或者用 FTP 做关键词检索。
5.2 DDBJ Search 的边界
这个检索系统 2021 年 11 月上线，替代了此前分散的若干检索服务。它覆盖六个库：BioProject、BioSample、读段库、JGA、GEA、MetaboBank；支持十四种记录类型的筛选；可按数据库、类型、物种、发布日期做分面收窄。
它的限制写在帮助页上，且都很实际：不支持通配符；关键词检索是前缀匹配而非全文匹配；不支持布尔组合；不提供修订历史；单次取数上限一万条；平面文件的检索不在这个系统里，要回到 getentry。这些限制决定了它的定位是「定位工具」，不是「分析工具」。
一个容易踩的坑是「同义记录」字段。Search 的每条结果都带一个 sameAs，指向另两个节点中等价的记录编号。这个字段是做三节点去重的正确入口，比自己拼前缀规则可靠。
5.3 WebAPI 与批量取数
批量场景下，正确的路径是 API 或 FTP，而不是网页。API 返回 JSON，字段与网页展示一致，适合在脚本里做筛选。
#-- 按登录号取一条 BioProject 的元数据（JSON）
curl -s "https://ddbj.nig.ac.jp/search/entry/bioproject/PRJDB16992.json" \
| head -c 2000
#-- 取一条序列记录的平面文件
curl -s "https://getentry.ddbj.nig.ac.jp/getentry/na/LC789012"
#-- 整库下载请走 FTP，先看目录再决定取哪一包
curl -s "https://www.ddbj.nig.ac.jp/services/index-e.html" | grep -o "ftp[^\"']*" | head
需要注意，Search 的 API 有速率与条数约束，批量抓取时应分页并在请求之间留间隔。抓全库的正确方式是 FTP 镜像，不是循环调 API。
5.4 用 Python 做一次比对去重
三节点共享带来的重复，在批量分析里必须处理。下面的脚本演示如何按登录号去重并保留版本信息。
#-- 按登录号与版本号去重，保留最新版本
import re
from collections import defaultdict
acc = re.compile(r"^([A-Z]{1,6}\d{5,})(?:\.(\d+))?$")
def dedup(ids):
best = defaultdict(lambda: -1)
for raw in ids:
m = acc.match(raw.strip())
if not m:
continue
base, ver = m.group(1), int(m.group(2) or 0)
best[base] = max(best[base], ver)
return {k: (k if v == 0 else f"{k}.{v}") for k, v in best.items()}
sample = ["LC789012.1", "LC789012.2", "AB000001", "PRJDB16992"]
print(dedup(sample))
这段代码做两件事：把不带版本后缀的号与带后缀的号归到同一个基号，然后取最大版本。真实数据里还要再加一步：用 sameAs 字段把三节点的等价记录合并，否则同一份数据会以三个不同前缀各出现一次。
5.5 受控访问数据的取数路径
JGA 的数据不能下载，只能在获批的分析环境里使用。流程是：向 DBCLS 提交使用申请，说明研究目的与所需数据集；经数据访问委员会审查通过后获得权限；在指定的安全环境中分析，产出结果可以带走，原始数据不行。
元数据层是公开的。项目摘要、数据集编号、数据类型、总体积、访问级别，都能在 DDBJ Search 里查到，不需要申请。这个设计的用意是让数据可被发现但不可被滥用。§4.3 的案例里提到的项目，走的正是「元数据公开、数据分级」这条路。
5.6 版本与引用的实操细节
取数时有两个细节值得写进脚本。第一，引用序列必须带版本后缀，否则指向会随修订漂移。第二，季度发布有明确编号，做长期项目时应记录使用的发布号，而不是「某年某月访问」。
DDBJ 的发布号是连续整数，每季度加一，2026 年 9 月为第 143 次。这个编号比日期更精确，因为它唯一对应一次全库快照。
§6 与库内其他词条的关系
6.1 关系图谱
DDBJ 在本库中的位置，可以用「同一本账的三个柜台」来定位。它不是任何资源的加工产物，而是与 GenBank、ENA 平级的登记机构；它下游的读段库、表达库、代谢组库、受控库，则是同一机构内按数据类型分设的专门柜台。
| 库内相关词条 | 与本词条的关系 | 一句话区隔 |
|---|---|---|
| ENA | 最近的同侪，INSDC 欧洲节点 | 同一份数据的欧洲入口，记录数、接口、统计口径各自表述 |
| GenBank | 最近的同侪，INSDC 北美节点 | 同一份数据的北美入口，体量最大，签发份额约八成 |
| NCBI SRA | 读段层的对应物 | DRA 与 SRA 同属 INSDC 读段层，互为镜像 |
| EGA | 受控人类数据的欧洲对应物 | JGA 与 EGA 同类，均需申请，均不开放下载 |
| GEO | 功能基因组层的对应物 | GEA 与 GEO 同类，但不做每日交换，只互相链接 |
| MetaboLights | 代谢组层的对应物 | MetaboBank 与其在格式标准上协作，数据不互通 |
| RefSeq | 下游加工品 | RefSeq 是策展后的参考序列集，DDBJ 是原始登记 |
| UniProt | 蛋白质层的对应物 | 蛋白序列来自核酸记录的翻译与独立提交，两套编号不通用 |
这张表最需要强调的是前两行。把 DDBJ 与 GenBank、ENA 并列成「三大数据库」是常见说法，但严格讲它们不是三个数据库，而是一个数据库的三个入口。区别在于运营主体、服务界面、提交便利性与区域覆盖，不在于内容。
6.2 检索路径
| 你的问题 | 该去哪个词条或入口 | 理由 |
|---|---|---|
| 要一条序列的完整注释 | 本词条，getentry | 平面文件是唯一完整形态 |
| 要原始读段 | DRA 或 SRA 词条 | 序列库不含读段 |
| 要基因表达矩阵 | GEA 或 GEO 词条 | 表达数据不在序列库 |
| 要代谢组质谱 | MetaboBank 或 MetaboLights | 代谢组单设一库 |
| 要受控人类数据 | JGA 或 EGA 词条 | 需申请与审查 |
| 要参考序列而非原始记录 | RefSeq 词条 | RefSeq 是策展产物 |
| 要蛋白序列 | UniProt 词条 | DDBJ 只收专利来源的氨基酸集 |
| 要三节点去重后的总量 | INSDC 层面统计 | 单节点统计是副本 |
6.3 与 ENA 的逐项区隔
同为 INSDC 节点，DDBJ 与 ENA 的差别不在内容，在运营与服务。把差别写清楚，才能解释为什么同一批数据在两边的使用体验不同。
| 对比项 | DDBJ | ENA | 对使用者的实际影响 |
|---|---|---|---|
| 一句话定位 | 日本节点，五个库加超算 | 欧洲节点，一个门户打通全部层级 | DDBJ 按数据类型分库，ENA 按层级统一在一个门户 |
| 检索入口 | DDBJ Search，六个库、十四种类型 | 统一门户加 Portal API | ENA 的跨层级查询更顺，DDBJ 的分库边界更清楚 |
| 平面文件 | getentry 单独提供 | 门户内可直接取 | DDBJ 需要多一步跳转 |
| 批量接口 | WebAPI，单次一万条上限 | Portal API 支持 limit=0 不限量 | 大规模抓取 ENA 更方便 |
| 读段层命名 | DRA | ENA 读段库 | 同属 INSDC 读段层，互为镜像 |
| 体量表述 | 读段累计见附录 A | 公开表述更大 | 两站统计口径与时点不同，不宜直接相减 |
| 受控人类数据 | JGA，审查由 DBCLS 做 | EGA，审查由 EGA 做 | 两者流程相似，管辖与准则不同 |
| 非 INSDC 库 | GEA、MetaboBank | ArrayExpress、MetaboLights | 同类不同库，数据不互通 |
| 语言与文档 | 日英双语，英文页完整 | 英文为主 | DDBJ 的日文页往往更新更早 |
| 区域中转 | 承接 KOBIC、NGDC | 承接欧洲各成员国 | 决定了两边记录的前缀分布不同 |
一句话记住：内容相同，柜台不同。选哪边取决于你要的接口形态与所在时区，而不是数据本身。
6.4 与 GenBank 的一处实质差别
GenBank 签发的记录在 INSD 中约占八成，这个比例决定了它是事实上的主副本。对使用者的直接后果是：同一个物种的公开基因组，绝大多数以 GCA 或 PRJNA 开头，DDBJ 侧看到的是镜像。
这不影响取数，但影响两件事。其一，元数据的原始语言与字段习惯偏向美式英语，物种名、地理名的写法在 DDBJ 侧不会本地化。其二，问题反馈的路径不同：一条记录若要修订，最终要回到签发节点，镜像节点无权改动。所以看到 DDBJ 上有一条 PRJNA 记录有问题，找 DDBJ 无用。
§7 质量评估与局限
7.0 阅读本节前的一个前置校正
评估 DDBJ 时最容易犯的错，是把它当成一个「数据集」来打分：问它覆盖率多少、标注准确率多少、有没有清洗。这些维度上它必然不合格，因为它根本不承担这些工作——它是登记机构，不是数据加工厂。
正确的框架是三条：作为登记簿，它的唯一性与持久性如何；作为交换网络的一员，它的同步完整性与时点一致性如何；作为服务平台，它的检索与取数能力如何。按这个框架，DDBJ 的强项与弱项会呈现得完全不同：强在制度，弱在易用性，与数据质量无关。
把这一点校正过来，下面每一处扣分才不会被读成「它做得不好」，而是「它本来就不做这件事」。
7.1 五维评分
| 维度 | 分数 | 依据 |
|---|---|---|
| 规模 | 5 / 5 | 作为 INSD 副本，覆盖三节点全部已释放记录 |
| 唯一性 | 5 / 5 | 登录号全球唯一、永不复用、带版本可追溯 |
| 一致性 | 4 / 5 | 每日同步完整；扣分在季度发布与实时数据的时点差 |
| 可用性 | 3 / 5 | 分库入口多、单次一万条上限、无全文检索、界面偏工程化 |
| 数据质量 | 2 / 5 | 不做质量分级，注释可信度取决于提交者与流水线 |
第三项与第五项的低分需要合起来看。可用性低不是缺陷，是设计取向：它把复杂度留给了使用者，换取的是每个库的字段都能精确到位。数据质量低也不是失职，因为质量责任在制度上就划给了提交者。
7.2 DAIMS 视角下的四条线
| DAIMS 线 | DDBJ 的表现 |
|---|---|
| 数据获取与处理 | 三条提交通道有文档；流水线注释占比极高，人工策展比例低 |
| 数据建模 | 平面文件加关系型元数据，模型稳定三十年，跨库靠 DBlink 缝合 |
| 数据溯源 | 登录号加版本号，粒度到记录；提交者、日期、文献均可追 |
| 数据使用与治理 | 开放库无限制使用；受控库按人类数据准则分级管理 |
四条线里最稳的是溯源，这是登记机构的看家本领。最弱的是获取环节的质量控制：格式能校验，科学内容不能。这个短板无法通过流程改进弥补，因为它与「谁有权判断科学正确性」这个制度问题绑定。
7.3 已知的、可枚举的偏差
第一，地域偏差。作为日本节点，DDBJ 的提交便利性对日本研究者最优，日文文档、日语支持、本地时区。这直接影响提交量的地域构成：2024 年的读段提交里，超过九成九来自日本。反过来说，DDBJ 上的数据整体并不偏日本，因为它是全量副本；偏的是「经 DDBJ 签发」的那一小块。
第二，分类学偏差。分区按来源物种自动归类，模式生物与病原体的记录远多于冷门类群。这与研究投入的分布一致，不是数据库的选择。
第三，注释来源偏差。细菌基因组绝大多数由自动流水线注释，基因边界与功能描述的系统性误差会成批出现，且不随机。做跨物种比较时，这类误差会被误读成生物学差异。
第四，时间偏差。早期记录用的是旧限定符（如 country），新记录用 geo_loc_name；早期分区代码与现在不完全对应。纵向分析时必须做字段映射。
第五，语言偏差。日文页面往往比英文页面更新更早，部分说明只在日文页存在。只读英文文档会漏掉一些操作细节。
7.4 外部验证
| 验证角度 | 外部证据 | 结论 |
|---|---|---|
| 三节点一致性 | INSDC 官方声明每日交换全部已释放数据 | 内容层面可视为同一份数据 |
| 份额构成 | 官方论文给出 GenBank 八成、ENA 一成六、其余为日本节点 | 说明 DDBJ 不是主副本 |
| 元数据合规 | 采样地理字段填写率在强制令后由七成升至九成 | 强制性标准能实质改善元数据 |
| 提交结构变化 | 2025 年 NGDC 中转提交五百余太字节 | 区域中转已成规模 |
| 长期可用性 | 1987 年至今连续发布一百四十三次 | 停更风险极低 |
7.5 它为何能持续
一个运行近四十年的公共登记机构，靠的不是技术先进性，而是三件事同时成立。
第一，制度上的不可替代性。登录号是学术共同体的通用货币，论文里写「数据已提交，登录号 XXXXXX」这句话，需要一个被普遍承认的签发方。这个角色一旦形成就很难替换，因为替换意味着历史登录号失效。
第二，成本结构的稳定性。中心的运行成本由公共财政承担，不依赖流量或订阅。数据量增长带来的边际成本主要是存储，而存储成本长期下降，这条曲线是可承受的。
第三，协作摊薄。三节点各自承担本区域的提交服务，共享全量数据。任何一个节点单独维护全量副本都很昂贵，三家分摊之后，每家只需要处理本区域的提交量，却能获得全球的数据。
这三条同时成立，才解释了为什么一个界面并不好用的系统能活到今天，并且还在扩容。
§8 生态位与历史
8.1 时间线
| 时间 | 事件 |
|---|---|
| 1980 年 | 欧洲分子生物学实验室组建 EMBL 数据库，邀请日本参与国际合作 |
| 1982 年 | EMBL 与 GenBank 开始合作，正式邀请日本加入 |
| 1983 年 | 日本开始试运行数据加载 |
| 1984 年 | 国立遗传学研究所改制为大学共同利用机构，DDBJ 在该所开始运转 |
| 1986 年 | DNA 数据库咨询委员会成立 |
| 1987 年 | 发布第一版，官方以此年为运营起点 |
| 1995 年 | 所内设生命信息研究中心，DDBJ 归入其中 |
| 2001 年 | 中心改组为生命信息与 DDBJ 中心 |
| 2004 年 | 国立遗传学研究所加入情报与系统研究机构 |
| 2005 年 | 三家正式将协作命名为 INSDC，统一库命名为 INSD |
| 2012 年 | DDBJ 从中心分离，成为国立遗传学研究所的知识基础项目中心之一 |
| 2013 年 | 与 NBDC 合作启动 JGA，承接个体级人类数据 |
| 2019 年 | 中心更名为生命信息与 DDBJ 中心 |
| 2021 年 | 11 月 DDBJ Search 上线，多个旧检索服务同期关闭 |
| 2025 年 | 3 月启用新账户体系；上半年完成超算升级 |
| 2026 年 | 4 月 DBCLS 并入生物数据科学计划；6 月收紧最短序列与 N 含量限制；9 月使用条款改写运营主体 |
这条时间线里有两个转折点值得注意。2005 年的命名把事实上已经运行多年的三方协作正式制度化，此后「一份提交三处可见」才有了明确的政策依据。2021 年的检索整合则是一次界面层面的重构，把原先分散在七八个入口的检索收拢到一个系统，代价是若干老工具下线。
8.2 三节点之外：区域网络
INSDC 的成员结构在近十年发生了实质变化：从三家创始成员，扩展到吸纳区域节点参与。韩国与中国的数据经 DDBJ 中转进入 INSD，欧洲各国的数据多经 ENA 进入，北美及部分其他地区经 NCBI 进入。
这个结构的用意是数据韧性：一个区域的数据不必跨越半个地球去提交，本区域有节点承接、有语言支持、有时区匹配。代价是数据流的路径变复杂，追溯「这条记录最初从哪里来」需要看前缀与中转记录。
对使用者而言，区域网络带来的最直接影响是记录构成的快速变化。几年前 DDBJ 上的 PRJDB 记录几乎等同于「日本研究」，现在这个等式已经不成立。
8.3 AI 时代的再定位
核酸序列档案在近两年被重新提起，原因与语言模型无关，与训练数据的合法性有关。公开档案的许可清楚、来源可追、登录号可引用，这三点在数据合规日益收紧的环境里变得稀缺。
DDBJ 对此的回应写在 2026 年的年度论文里：升级后的算力环境明确面向「AI 驱动的分析与低成本的大规模基因组重分析」。这不是口号，配套动作是可查的——GPU 节点上线、公开人类基因组重分析产出了比对与变异结果、分析流程代码开源。
但有一条边界必须说清：DDBJ 提供的是原料与算力，不是训练集。它不做去重、不做质控、不做污染过滤，也不提供物种平衡。任何把它当语料的工作，都需要自己完成这几步，并在方法里写清规则。
8.4 与策展型资源的关系
有一种看法是策展型资源会取代原始档案，这个判断在可预见范围内不成立。两者的功能不同：档案回答「这条序列是谁在什么时候测的，登录号是多少」，策展库回答「这个基因在这个物种里应该长什么样」。
前者是法律与科学记录的底稿，后者是基于底稿的解释。RefSeq 从 GenBank 取料，UniProt 从核酸记录翻译，Ensembl 从档案重建基因组——全都依赖档案的稳定性。档案一旦缺失，上游的策展库就失去了可追溯的根。
§9 使用指引
9.1 三种角色的路径
做序列检索的研究者路径最短：已知登录号就去 getentry，未知就用 Search 按关键词或物种定位，拿到号之后再取平面文件。注意带上版本后缀，注意用 sameAs 判断是否与另两节点重复。
做批量整理的数据工程师路径最重：需要把五个库的关联关系建成一张图。锚点是 BioProject，往下是 BioSample，再往下分叉到序列、读段、表达、代谢组。字段层面要处理三件事：限定符的历史变更、分区代码的映射、以及三节点重复的合并。
做提交的机构数据管理员路径最讲顺序：先立项拿项目号，再登记样本拿样本号，最后提交数据。顺序颠倒会导致返工，因为序列记录与读段运行都要求引用已存在的项目号与样本号。
9.2 一条最短的可用流程
从零到一条可引用的记录，下面是命令行上的完整版本。
#-- 第一步：确认这条登录号是否存在于 DDBJ 侧
curl -s "https://getentry.ddbj.nig.ac.jp/getentry/na/LC789012" | head -20
#-- 第二步：取带版本的记录，锁定具体修订
curl -s "https://getentry.ddbj.nig.ac.jp/getentry/na/LC789012.1" > LC789012.1.txt
#-- 第三步：查它的项目与样本关联
grep -i "db_link\|DBlink" LC789012.1.txt | head
#-- 第四步：按项目号展开同批样本
curl -s "https://ddbj.nig.ac.jp/search/entry/bioproject/PRJDB16992.json" \
| python3 -c "import json,sys; d=json.load(sys.stdin); print(d.get('title'))"
四步之后，你手里有一条锁定版本的序列、它的项目号，以及项目的标题。要做组学层面的复用，再按项目号去 DRA 或 GEA 找对应的数据集。这是 §4.3 的案例里那条链路反着走：从一条记录上溯到项目，再从项目下探到同批的其他数据类型。
9.3 引用方式
引用要写到三层，缺一层都会让复现打折扣。
第一层是记录本身。写登录号时必须带版本后缀，例如 LC789012.1 而不是 LC789012。前者锁定具体修订，后者随更新漂移。
第二层是发布版本。DDBJ 每季度发布一次全库快照并编号，长期项目应记录所用发布号与取数日期。
第三层是机构。引用服务时应写清运营主体与年份，注意 2026 年前后机构名称有过调整，跨年份引用要注明所据文本的日期，避免出现「同一机构两个名字」的混乱。
9.4 提交侧的三条经验
第一，先想清楚数据该进哪个库。序列进序列库，读段进读段库，表达进表达库，代谢组进代谢库。进错库的返工成本很高，因为跨库搬迁不是改个字段的事。
第二，元数据要一次填对。地理来源与采集日期在 2023 年后是强制项，缺失会被退回。属性字段的自由文本越少越好，因为下游解析靠的是受控词表。
第三，释放日期要提前规划。记录一旦释放就进入三节点交换，之后想撤回非常困难。涉及专利或未发表数据的，应使用受控访问或设定较晚的释放日期，而不是先公开再补救。
§10 AI 使用声明
| 项目 | 说明 |
|---|---|
| 本页 AI 参与程度 | 由 AI 助手依据官方页面与论文摘要起草，人工核对数字与口径 |
| 数字来源层级 | 见附录 B，官方统计页与官方说明页为一级，论文为二级 |
| 未核实项 | 日本节点签发的确切记录条数未单列，仅有百分比份额 |
| 版本信息 | 以 2026 年 9 月至 10 月间读取的官方页面为准 |
| 已知不一致 | 机构名称在 2026 年处于过渡期，官网首页与使用条款用词不同 |
| 口径提示 | 季度发布数字为 INSD 全量副本，不等于日本提交量 |
| 适用边界 | 本文描述档案结构与规模，不含对具体研究结论的评价 |
| 更新机制 | 数据按季度发布，本文不承诺随发布同步刷新 |
常见误读
| 常见说法 | 实际 | 证据 |
|---|---|---|
| 「DDBJ 是日本的核酸数据库」 | 是 INSD 全量副本的日本入口，日本份额只有几个百分点 | 官方论文的份额构成段 |
| 「三家数据库的数据可以相加」 | 每日交换，同一登录号三处重复 | INSDC 说明页与关于页的交换表述 |
| 「DDBJ 上的记录都是日本提交的」 | 大部分是镜像，区域中转后前缀也不再等于国籍 | 发布统计与论文的中转提交段 |
| 「记录数等于数据量」 | 一次全基因组测序可能只产生一条主记录 | 分区与批量数据类型说明 |
| 「读段也在 DDBJ 序列库里」 | 读段在 DRA，序列库只有注释或组装结果 | 数据类别页的分层说明 |
| 「GEA 与 GEO 是同一批数据」 | 同类资源，但不做每日交换，只互相链接 | GEA 页与 INSDC 成员表 |
| 「人类基因组数据可以随便下」 | 个体级数据在 JGA，需申请与审查 | JGA 页的申请流程 |
| 「DDBJ 会帮你判断序列质量」 | 只校验格式与分类学，不做科学判断 | 使用条款的数据处理段 |
| 「登录号不带后缀也一样」 | 后缀决定指向哪个修订版本 | 登录号格式说明 |
| 「DDBJ 只收长序列」 | 常规序列下限一百个核苷酸，全基因组片段下限一千个 | 不接受序列清单及生效时间 |
| 「三个节点的统计数字应当相等」 | 各自按本季快照统计，时点与口径不同 | 各家统计页的发布日期 |
| 「停更风险高，机构刚改名」 | 连续发布一百四十三次，改名是重组不是停运 | 发布记录与机构公告 |
FAQ
Q1：DDBJ、GenBank、ENA 到底是不是三个数据库？
是三个运营主体、一份数据。三者同属 INSDC，每日交换全部已释放记录，同一登录号在三处都能检索，内容一致。说「三大数据库」是习惯说法，严格讲是一个数据库的三个入口。
Q2：DDBJ 里有多少是日本提交的？
官方论文给出的注释序列构成是 GenBank 八成、ENA 一成六，余下为日本节点。也就是说日本签发的部分只占全量的几个百分点，其余都是镜像。
Q3：为什么 DDBJ 的记录数比 ENA 公开的数字大或小？
两家统计的时点与口径不同。DDBJ 按季度发布快照，ENA 的门户按日更新，且各自对读段与组装数据的计入方式不完全一致。跨站比较前应先确认口径，不能直接相减。
Q4：想拿原始 FASTQ，该去哪儿？
去读段库。DDBJ 侧是 DRA，按运行号（DRR 开头）取；也可以从 NCBI 的读段库或 ENA 取同一份数据。序列库里的登录号只指向组装或注释后的序列。
Q5：JGA 的数据能不能下载？
不能。JGA 是受控访问库，需向 DBCLS 提交使用申请，经数据访问委员会审查通过后在指定安全环境中分析。元数据摘要公开可查，原始数据不出环境。
Q6：GEA 和 NCBI 的 GEO 是什么关系？
同类资源，都收功能基因组数据，都遵循 MIAME 或 MINSEQE。但两者不做每日交换，只通过链接互指。选哪边取决于你习惯的提交格式与检索界面。
Q7：提交序列有什么硬性门槛？
常规序列下限一百个核苷酸，仅由引物构成的序列不收；原核或真核全基因组中不足一千个核苷酸的片段不收；含百分之五十以上 N 的序列不收。后两条 2026 年 6 月起生效。
Q8：一条记录改了之后，旧版本还能取到吗？
能。版本后缀锁定具体修订，LC789012.1 与 LC789012.2 是两条可取的不同文本。不带后缀的号指向最新版。
Q9：DDBJ 有没有质量评分或可信度标记？
没有。它只保证格式合法、分类学有效、字段合规。序列是否可信、注释是否准确，由提交者负责，使用者需自行验证。
Q10：机构改名会影响引用吗？
会影响写法，不影响数据。2026 年前后运营主体名称处于过渡期，官网首页与使用条款用词不同。引用时注明所据文本的日期即可。
Q11：能不能一次把全库拉下来？
可以，走 FTP 镜像。用检索接口做全量抓取不可行，单次上限一万条，且不提供修订历史。
Q12：三个节点的记录重复，去重靠什么？
靠登录号相同这一点，以及检索结果里的 sameAs 字段。同一份数据在三处的前缀不同，但 sameAs 会互指，按它合并最可靠。
术语表
| 术语 | 含义 |
|---|---|
| INSDC | 国际核酸序列数据库协作组织，由三家节点组成 |
| INSD | 三节点共享之后的统一核酸序列数据库 |
| 平面文件 | DDBJ 记录的标准文本格式，以 LOCUS 开头、以 // 结尾 |
| 登录号 | 全球唯一、永不复用的记录标识 |
| 版本后缀 | 登录号后的点号数字，标识具体修订 |
| 分区（division） | 按来源物种或数据类型划分的记录类别，三字母代号 |
| 来源特征 | 记录中描述物种、分子类型、株系的注释段 |
| 限定符 | 特征段内的键值对，如 organism、mol_type |
| DBlink | 记录间交叉引用字段，指向项目、样本、读段 |
| BioProject | 研究项目的组织单位，前缀 PRJDB |
| BioSample | 生物来源材料的描述记录，前缀 SAMD |
| 运行（run） | 读段库的最小单位，一次测序产出一份数据 |
| WGS | 全基因组鸟枪法组装数据，按批量类型提交 |
| TSA | 转录组组装数据，按批量类型提交 |
| TPA | 第三方注释数据，基于已公开记录重新组装或注释 |
| ENV | 环境样本分区，来源物种无法确定时使用 |
| DAD | 专利来源的氨基酸序列集，与核酸库分开发布 |
| 受控访问 | 需申请与审查方可使用的数据层级 |
| MAGE-TAB | 功能基因组数据的表格化提交格式 |
| MIAME / MINSEQE | 微阵列与测序实验的最小信息标准 |
| 中转提交 | 区域节点代收后转入 INSD 的提交方式 |
| DAIMS | 数据档案评估框架，看采集、建模、溯源、治理四条线 |
附录 A：核心数字核对表
| 项 | 值 | 来源 | 来源层级 |
|---|---|---|---|
| 首次发布 | 1987 年 | 关于页历史段 | 一级 |
| 最新发布序号 | 第 143 次，2026 年 9 月 | 发布统计页 | 一级 |
| 该次记录数 | 六十九亿四千六百九十一万余条 | 发布统计页 | 一级 |
| 该次碱基数 | 六十四万四千二百五十八亿余个 | 发布统计页 | 一级 |
| 碱基季度增幅 | 百分之七点五 | 发布统计页 | 一级 |
| DAD 发布 | 第 113 次，四亿余条 | 发布统计页 | 一级 |
| 注释序列总量 | 约五十六亿条（2025 年 6 月） | 年度论文 | 二级 |
| 节点份额 | GenBank 八成、ENA 一成六、DDBJ 三点五 | 年度论文 | 二级 |
| 读段累计 | 二十点六拍字节，FASTQ 一点六拍字节 | 年度论文 | 二级 |
| GEA 规模 | 六百三十一项实验、一万二千八百二十九样本 | 年度论文 | 二级 |
| MetaboBank 规模 | 一百五十三项研究、四千一百四十五样本 | 年度论文 | 二级 |
| JGA 规模 | 五百零一项研究、九十六万余样本 | 年度论文 | 二级 |
| 2024 年读段提交 | 十万七千余次运行 | 年度论文 | 二级 |
| 超算规格 | 逾一万四千核、五十拍字节 | 年度论文 | 二级 |
| 最短序列限制 | 一百个核苷酸（2021 年 6 月起） | 序列说明页 | 一级 |
| 全基因组片段下限 | 一千个核苷酸（2026 年 6 月起） | 序列说明页 | 一级 |
| 检索单次上限 | 一万条 | 检索帮助页 | 一级 |
附录 B：数字的来源分层
一级：官方页面。 包括发布统计页的季度记录数、碱基数与增幅，发布说明档案的序号与日期，检索帮助页的库与类型数量及条数上限，序列说明页的不接受清单与生效日期，以及使用条款对数据处理的界定。本文所有发布数字、限制条款与入口特征均取自这一层。
二级：年度论文。 包括五十六亿条的总量、三节点的份额构成、各专库的规模、2024 年的提交量、区域中转的量级与超算规格。这些数字时点明确，用于说明结构与趋势，不用于替代季度发布数字。
三级：未单列。 日本节点签发的确切记录条数在任何官方页面都未单独公布，只有百分比份额。本文据此给出量级推算，并明确标注为推算而非原文数字。
附录 C：完整参考文献
- Ara T, Kodama Y, Fujisawa T, Kosuge T, Lee K, Mashima J, Ogasawara O, Tanizawa Y, Tanjo T, Nakamura Y, Arita M. DDBJ update in 2025: system integration for global data-sharing including pathogen surveillance. Nucleic Acids Research, 2026, 54(D1): D106–D110.
- DDBJ 官方站点首页与关于页，机构定位、历史沿革与运营主体说明，https://www.ddbj.nig.ac.jp/about/index-e.html ，2026 年 10 月访问。
- DDBJ 发布统计页与发布说明档案，季度记录数、碱基数与发布序号，https://www.ddbj.nig.ac.jp/statistics/ddbj-release-e.html ，2026 年 10 月访问。
- DDBJ 统计总览页，读段提交、表达库、代谢组库与受控库的提交量，https://www.ddbj.nig.ac.jp/statistics/index-e.html ，2026 年 10 月访问。
- DDBJ 服务清单页，各库与服务的一句话定位，https://www.ddbj.nig.ac.jp/services/index-e.html ，2026 年 10 月访问。
- INSDC 说明页，成员结构、两个委员会与数据交换表述，https://www.ddbj.nig.ac.jp/insdc/index-e.html ，2026 年 10 月访问。
- 数据类别页与不接受序列清单，分层定义与限制条款，https://www.ddbj.nig.ac.jp/insdc/data-categories-e.html ，2026 年 10 月访问。
- 登录号格式说明页，前缀规则与版本后缀，https://www.ddbj.nig.ac.jp/insdc/accessions-e.html ，2026 年 10 月访问。
- DDBJ Search 帮助页，覆盖库、记录类型、条数上限与 sameAs 字段，https://www.ddbj.nig.ac.jp/services/ddbj-search-e.html ，2026 年 10 月访问。
- 使用条款页（2026 年 9 月修订），数据处理边界、数据使用与引用要求，https://www.ddbj.nig.ac.jp/policies-e.html ，2026 年 10 月访问。
- 生命科学数据库中心机构变更公告（2026 年 4 月），https://dbcls.rois.ac.jp/en/2026/04/01/post1.html ，2026 年 10 月访问。
- JGA 与 GEA、MetaboBank 各库首页，收录范围与提交要求，https://www.ddbj.nig.ac.jp/jga/index-e.html ，2026 年 10 月访问。
编辑说明
本篇核验时间为 2026 年 10 月 29 日。核验方式为直接读取 DDBJ 官方站点的关于页、发布统计页、发布说明档案、服务清单页、数据类别页、登录号说明页、检索帮助页与使用条款，并对照 2026 年发表的年度论文。所有发布数字与限制条款以官方页面为一级依据；论文数字用于说明份额构成与各专库规模，不替代季度发布口径。
未覆盖的内容包括：日本节点签发的确切记录条数（官方只公布百分比份额）、各分区的逐年记录明细（发布统计页的分区图表为脚本渲染，未能取到数值）、以及三节点之间每日同步的确切时间窗（官方只表述为「每日」）。机构名称在 2026 年处于过渡期，官网首页、年度论文与使用条款用词不一，本文并列而不裁决。
本页描述档案的结构、规模与边界，不构成对具体研究结论的评价，也不构成使用建议的法律意见。受控访问数据的使用须遵循 NBDC 人类数据共享准则。
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- dbsnp — 共享标签：基因组学与多组学 / 测序数据 / 变异与注释
- ensembl — 共享标签：基因组学与多组学 / 测序数据 / 变异与注释
- biosamples — 共享标签：基因组学与多组学 / 测序数据 / 变异与注释
- dgva — 共享标签：基因组学与多组学 / 测序数据 / 变异与注释
- refseq — 共享标签：基因组学与多组学 / 测序数据 / 变异与注释
- clingen — 共享标签：基因组学与多组学 / 测序数据 / 变异与注释
- giab — 共享标签：基因组学与多组学 / 测序数据 / 变异与注释
- decipher — 共享标签：基因组学与多组学 / 测序数据 / 变异与注释
- hgdp — 共享标签：基因组学与多组学 / 测序数据 / 变异与注释
- uhgg — 共享标签：基因组学与多组学 / 测序数据 / 变异与注释
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
