不同物种的同一个基因的对应关系

Original jimmy 生信技能树 2022-08-10

我们都知道不同的物种在进化过程中其实共享很多基因的，尤其是哺乳动物，同一个基因虽然在不同的物种序列不完全一样，位于的染色体也不一样，发挥的功能可能也稍微有点区别，但是他们的相似性非常高！根据相似性就可以在不同的物种里面找到同一个基因。

比如在人类疾病研究领域非常出名的TP53基因，在人类参考基因组的17号染色体上面，但是在mouse里面不仅仅是改名了，叫做Trp53，而且位于11号染色体，在其它物种就更加多元化了。

所以通过研究生的辛辛苦苦查询文献，数据库，终于得到了下面这张表格：

mouse,	Trp53	Chr11	cM	Chr11:-(+)
human	TP53	Chr17	p13.1	Chr17:-(-)
chimpanzee	TP53	Chr17
macaque,rhesus	TP53	Chr16
dog,domestic	TP53	Chr5
cattle	TP53	Chr19	q15
rat	Tp53	Chr10	q24
frog,	tp53	ChrUN
zebrafish	tp53	Chr5

我们不可能每做一次研究就搜索一下，其实是有专门的数据库，在 http://www.informatics.jax.org/homology.shtml 里面专门收集了这些信息，我们要做的就是写脚本解析它！

脚本趣事

如果这个文件大家有打开看的话，很容易理解为，每9行是一个同源基因的ID在不同的9个物种的基因信息，列也是很整齐的，虽然很多基因的在某些物种里面的好多信息都是缺失的，但是不影响我们很容易写出代码来把这个长型数据转换为宽型数据！对的，你想到了什么呢？是R,就是R,我们的小英雄。

a=read.table('~/HOM_AllOrganism.rpt',header = T,fill = T,sep = '\t',quote = "")
## 这个 read.table 的参数我用的有点多，希望你喜欢
head(a)
dim(a)
library(tidyr)
?spread()

所以我写出了上面的代码，结果很显然，报错了，因为同源基因的ID并不是只出现9次，不是我想当然的那种数据库格式，很多基因在单独物种里面都没有搞明白，多个家族基因混在一起，在跨物种间，怎么可能那么容易就牵一根线对应起来呢？

简单写了个脚本，发现有 4061 个基因，都在很清楚在9个物种里面对应好了，但是该数据库总共记录了 25998 ，意味着几乎大部分的基因特别含糊，看样子人类的认知边界还是很狭窄呀！详细的统计指标如下图：

基因同源性统计表

那，接下来让我们仔细瞧瞧看，这些不明确的基因都是咋回事吧。

当然，基因实在是有点多，就随便挑选几个看看。

发现有锌指蛋白，vomeronasal type-2 receptor(extracellular calcium-sensing receptor-like)，bloodthirsty-related gene family , 果然不出所料，都是哪些本身就在一个物种就有一堆亲戚的基因家族系列。

另外值得注意的是，那些小于9个的基因，是不是所谓的物种特异性基因呢？

布置作业：

题目一：那 4061 个在9个物种里面对应好的基因，在人类的背景里面做一下富集分析，看看都是集中在哪些通路。

题目二：把那些出现少于9个物种的基因探究一下，比如只出现在一个物种的那些是不是物种特异性基因呢？出现在2~5个的，是不是跟这9个物种的进化关系有联系呢？