pyensemble注释基因名称

1、什么是pyensembl包

  一个conda安装包，安装时已下载hg19、hg38基因组。通过输入染色体chr、基因组位置pos即可返回基因名称（可能会返回0、1或多个基因名），适用于批量非精确查询；

  更详细的信息可以到官网查阅，比如获取基因的所有外显子、转录本的基因名等。

2、安装pyensembl

# (1) 安装pyensembl包
conda install pyensembl

# (2) 下载ensembl数据
    # 75是hg19, 76是hg38, 下载很慢，hg19越需1h，供参考
pyensembl install --release 75 76 --species human 

3、使用pyensembl

import argparse
from pyensembl import EnsemblRelease

data = EnsemblRelease(75)
# chr_num、start_pos为int类型
gene_names_list = data.gene_names_at_locus(contig=chr_num, position=start_pos)

尤其是针对bed文件，非常有用，示例如下图：

import argparse
from pyensembl import EnsemblRelease

data = EnsemblRelease(75)

parser = argparse.ArgumentParser()
parser.add_argument('-i', "--input_file", required=True)
args = parser.parse_args()
input_file = args.input_file

output_file = "anno_" + str(input_file).split('/')[-1]
ff = open(output_file, 'w')

with open(input_file, 'r') as f:
    for i in f.readlines():
        if i.startswith('Chr'):
            ff.write(i.strip() + "\tstart_gene_names" + "\tend_gene_names\n")
            continue
        temp_list = i.strip().split('\t')
        chr_num = int(temp_list[0].replace('chr', ''))
        start_pos = int(temp_list[1])
        end_pos = int(temp_list[2])

        start_gene_names_list = data.gene_names_at_locus(contig=chr_num, position=start_pos)
        if len(start_gene_names_list) == 1:
            start_gene_names = start_gene_names_list[0]
        elif len(start_gene_names_list) == 0:
            start_gene_names = "XXX"
        else:
            print(start_gene_names_list, i.strip(), "起始位置有多个基因名称，请核查！")
            start_gene_names = "_".join(start_gene_names_list)

        end_gene_names_list = data.gene_names_at_locus(contig=chr_num, position=end_pos)
        if len(end_gene_names_list) == 1:
            end_gene_names = end_gene_names_list[0]
        elif len(end_gene_names_list) == 0:
            end_gene_names = "XXX"
        else:
            end_gene_names = "_".join(end_gene_names_list)

        new_str = i.strip() + "\t" + start_gene_names + "\t" + end_gene_names
        ff.write(new_str + "\n")

ff.close()

该包很强大，目前用到的功能极少，后续随着使用会更新。

参考文件

1、本地使用Python通过染色体id+位置查询基因名列表

2、python pyensembl:基因组位置注释到基因组特征（基因，转录本，外显子）

3、pyensembl包官网

4、GitHub - pyensembl