讨厌的基因ID

以前有人买我课程，会有一个淘宝ID和姓名，然后加QQ，有一个QQ号和QQ名，在之后加我微信，又有一个微信名，很多时候我就崩溃了，因为这三个ID完全不对应。现在微信已经超过10亿用户，作为实名社交软件，很多用户的ID也常常让人困惑，比如一些中老年人喜欢的人生如茶，大漠祥云，金色枫叶，花自芬芳，滴水穿石，沁水百合，闲云野鹤，上善若水，四季花开等，还有XX爸，XX妈，XX姥爷，XX奶奶的，可以看出对子女无尽的爱。但是希望你儿子是马云，王健林，马化腾，这样别人才知道你是谁，微信实名是对别人的尊重，尤其你的微信号是作为工作号使用的，今天我们要说的是基因的ID问题。

讨厌的序列ID

不仅基因ID，序列ID也是一个特别讨厌的问题，而且这个问题越演越烈，做生物信息分析，在这个事情上需要浪费很多的时间。同一条参考序列，被不同的数据库收录，就会有不同的ID。而且可能还有不同的版本。我们以人全基因组序列为例。人全基因组序列目前分别被多个国际组织的数据库收录，那么同一份数据，会有不同的名字，以hg19参考序列为例，
例如在NCBI中，称为GRCH37，UCSC称为hg19，EMBL称为ENSEMBL release_59等版本，千人基因组计划称为b37，具体转换如下所示：
hg18 =    GRCh36 = ENSEMBL release_52
hg19 =    GRCh37 = ENSEMBL release_59/61/64/68/69/75
hg38 =    GRCh38 = ENSEMBL  release_76/77/78/80/81/82
此外，EMBL定期发布一些新版本，还有其他序列一些小的升级版本，例如b37的升级版本hs37d5，让人非常迷惑。

讨厌的基因ID

除了序列的ID问题，基因ID更加棘手。同一个基因序列，需要被不同的库收录，每一个库都有单独的ID信息。而且在一些数据库中，会出现一对多，多对多的情况，举个例子，同一个基因可能属于不同的GO条目，同一个GO条目中会包括不同的基因。一个常见的基因，在NCB中的属名为EGFR基因，这个称为SYMBOL NAME,但是同一个EGFR可能测序出不同的序列，或者同一个基因在不同的哺乳动物中都存在，如果还用symbol就不容易区分，所以就需要ID信息，这个类似于姓名与身份证的关系。NCBI中为GI号，例如EGFR的GI号可能有1101020101，1100832916等多个，因为基因，外显子，转录本，核糖体RNA，物种分类号都使用数字，不容易区分，因此每个序列还有一个Access Number号，字母加数字的组合，例如NP_001333870.1，NP_001333827.1，这样一次就能看出来它是一个氨基酸的序列，NP中的P表示Protein。而在EMBL中，则为    ENSG00000146648。

基因ID与功能注释富集

理解了基因ID的内容之后，其实对于有已知基因ID的基因功能注释与富集分析，本质上就是ID匹配的过程，类似于查字典，根据已知ID，到数据库中基因型匹配。以EGFR基因为例：

这样我们就可以直接使用Q504U8这个ID去UniProt库中直接找这个基因的功能信息了，没错，基因功能注释就是这么简单。

基因ID转换

光吐槽是起不到任何作用了，吐槽完了，还是得了解如何进行序列ID的转换，其实基因ID的转换方法有很多，比如可以在DAVID网站进行转换，但是一个比较好的方法是使用R包，有很多R包都可以进行基因ID的相互转换，例如AnnotationDbi包中的mapIds函数，clusterProfiler包中的bitr函数等。其实基因ID转换，本质上是查找替换的过程，前提是必须有一个已知的基因ID的对应表，下面以AnnotationDbi包的使用为例。

> library("AnnotationDbi")
> library("org.Hs.eg.db")
#有这么多ID可供转换
> keytypes(org.Hs.eg.db)
 [1] "ACCNUM"       "ALIAS"        "ENSEMBL"     
 [4] "ENSEMBLPROT"  "ENSEMBLTRANS" "ENTREZID"    
 [7] "ENZYME"       "EVIDENCE"     "EVIDENCEALL" 
[10] "GENENAME"     "GO"           "GOALL"       
[13] "IPI"          "MAP"          "OMIM"        
[16] "ONTOLOGY"     "ONTOLOGYALL"  "PATH"        
[19] "PFAM"         "PMID"         "PROSITE"     
[22] "REFSEQ"       "SYMBOL"       "UCSCKG"      
[25] "UNIGENE"      "UNIPROT"  
egfr <- "EGFR"
#将SYMBOL转换为ENSMBL
> mapIds(org.Hs.eg.db,keys = a,column = "ENSEMBL",keytype = "SYMBOL",multiVals = "first")
       EGFR 
"ENSG00000146648" 

使用clusterProfiler可以一次转换多个库

library(clusterProfiler)
> ids <- bitr(x, fromType="SYMBOL", toType=c("UNIPROT", "ENSEMBL","ENTREZID","GO","ONTOLOGY"), OrgDb="org.Hs.eg.db")
'select()' returned 1:many mapping between keys and columns
> head(ids)
  SYMBOL UNIPROT         ENSEMBL ENTREZID         GO EVIDENCE ONTOLOGY
1   EGFR  Q504U8 ENSG00000146648     1956 GO:0000139      IEA       CC
2   EGFR  Q504U8 ENSG00000146648     1956 GO:0000165      TAS       BP
3   EGFR  Q504U8 ENSG00000146648     1956 GO:0000186      IEA       BP
4   EGFR  Q504U8 ENSG00000146648     1956 GO:0001503      NAS       BP
5   EGFR  Q504U8 ENSG00000146648     1956 GO:0001618      IEA       MF
6   EGFR  Q504U8 ENSG00000146648     1956 GO:0001892      IEA       BP

没有基因ID怎么办

如果是自己拼接与预测出来的基因，基因ID都是自动生成的，没有已知ID如何进行转换。这个时候就需要首先将得到的基因与NR数据库进行比对，NR是非冗余的氨基酸数据库，将预测得到的序列在数据库中找到它最近源的同源基因序列，那么他们具有相同的基因ID，NR数据库中现在采用的是Accession Number。这个Accession Number就对应的OrgDb包中的“ACCNUM”关键字，这样就可以利用bitr函数进行各种基因ID的转换了。

---------- END ----------

（更多精彩内容，欢迎关注公众号）

您可能还会感兴趣的