基因 ID 和 Symbol 转换

前言

看了这么多期的 circos，都有点乏了，换换口味也是好的。

下面，咱就开始吧。

做生信分析，总是免不了要给基因 ID 和 Symbol 转换来转换去。

方法

一般要进行 ID 和 Symbol 的转换呢，主要有两种方式：

1. 网站提供的工具，比如 biodbnet
2. 编写代码

1. 用网站转换

如果不会编写代码的话，可以使用这个网站 biodbnet

image.png

这种方式比较简单，比如上面的例子，我们输入的是人类(9606)基因 symbol，需要对应的基因 id，提交之后

image.png

可以下载转换的结果。

但是以我的经验来说，这个网站如果输入的基因很多，速度非常慢，而且很多基因 symbol 无法转换到 id 的，所以对于有编程基础的朋友，并不推荐这种方式

2. 编程实现

编程的话，很多语言都可以实现，看自己比较喜欢，比较擅长用什么语言

下面主要介绍一下 R 以及 Python 两种语言实现方式

2.1 R

用 R 实现的话，一般都是使用 org.Hs.eg.db 这个模块提供的数据来进行转换

安装和导入

# install
if (!requireNamespace("BiocManager", quietly = TRUE))
  install.packages("BiocManager")
BiocManager::install("org.Hs.eg.db")

# library
library('org.Hs.eg.db')

安装这个包之后，对于的路径下面会有一个 org.Hs.eg.sqlite 文件，存储了人类基因数据，后面的各种转换其实都是对这个文件进行操作。

查看基本信息

# 获取所有可用的表
columns(org.Hs.eg.db)

#  [1] "ACCNUM"       "ALIAS"        "ENSEMBL"      "ENSEMBLPROT"  "ENSEMBLTRANS" "ENTREZID"    
#  [7] "ENZYME"       "EVIDENCE"     "EVIDENCEALL"  "GENENAME"     "GO"           "GOALL"       
# [13] "IPI"          "MAP"          "OMIM"         "ONTOLOGY"     "ONTOLOGYALL"  "PATH"        
# [19] "PFAM"         "PMID"         "PROSITE"      "REFSEQ"       "SYMBOL"       "UCSCKG"      
# [25] "UNIGENE"      "UNIPROT"

从上面的输出信息可以看出，包含了很多数据表，如 ENSEMBL、ENTREZID、SYMBOL 等

# keytype 配合 keys 使用，在 select 函数中匹配 keys 参数指定的 id
keytypes(org.Hs.eg.db)
# [1] "ACCNUM"       "ALIAS"        "ENSEMBL"      "ENSEMBLPROT"  "ENSEMBLTRANS" "ENTREZID"    
#  [7] "ENZYME"       "EVIDENCE"     "EVIDENCEALL"  "GENENAME"     "GO"           "GOALL"       
# [13] "IPI"          "MAP"          "OMIM"         "ONTOLOGY"     "ONTOLOGYALL"  "PATH"        
# [19] "PFAM"         "PMID"         "PROSITE"      "REFSEQ"       "SYMBOL"       "UCSCKG"      
# [25] "UNIGENE"      "UNIPROT"

查看数据库或数据表的键

#  keys 返回数据库或表的键
head(keys(org.Hs.eg.db))
# [1] "1"  "2"  "3"  "9"  "10" "11"
head(keys(org.Hs.eg.db, keytype = 'SYMBOL'))
# [1] "A1BG"  "A2M"   "A2MP1" "NAT1"  "NAT2"  "NATP"

好了，看完了这些信息，我们就可以开工啦！

先读取想要转换的基因的 symbol

# read gene symbol
symbol <- read.table(file = '~/Downloads/symbol.txt', sep = '\t', header = FALSE)
symbol <- as.character(unique(symbol$V1))

读取完成，将 symbol 转换为 entrezid

# 将 symbol 对应到 entrezid
entrezid <- select(org.Hs.eg.db, keys=symbol, columns = 'ENTREZID', keytype = 'SYMBOL')
# 'select()' returned 1:1 mapping between keys and columns

可以看到最后的输出信息，表示是一对一匹配的

那到这是不是就结束了呢，我们来看看结果

SYMBOL ENTREZID
1    COL10A1     1300
2     CTHRC1   115908
3      POSTN    10631
4    COL11A1     1301

  ... ...
  
120     MURC     <NA>
121    H2AFX     <NA>
122 HIST1H1T     <NA>
123 C14orf80     <NA>

咦，怎么没匹配到 ID 呢，这可咋办呢。

在这里，我们就要引出一个基因 “别名(alias)”：

通常，基因 symbol 是由 HUGO(Human Genome Organisation) 基因命名法给出的权威性的命名，但是在这之前，许多研究中对基因的命名并没有那么规范，不同研究中可能会对同一个基因有不同的称呼，其中一些名称已经被广泛使用，

因此会存在一个基因或其对应的蛋白质会有不同的别名，不同的别名可能会对应于同一个基因，这种一对多或多对一的关系。

详情请自行维基百科：Gene nomenclature

好了，既然 symbol 找不对，那就试试 alias 吧

# 是否存在未匹配的 SYMBOL
no_map <- sort(as.character(entrezid[is.na(entrezid$ENTREZID),'SYMBOL']))

先把未匹配上的基因挑出来

# 进一步查看是否是基因别名 alias
alias <- select(org.Hs.eg.db, keys=no_map, columns = c('SYMBOL', 'ENTREZID'), keytype = 'ALIAS')

# 'select()' returned 1:many mapping between keys and columns

我们把 keytype 换成了 ALIAS，与 keys 参数，也就是我们认为是别名的基因。

然后要对应到的是 SYMBOL 和 ENTREZID。

看看输出信息，many mapping？出现多对一了？

看看 alias 长啥样

# >alias
# 
#       ALIAS  SYMBOL ENTREZID
# 1    FAM63A  MINDY1    55793
# 2   FAM129B  NIBAN2    64855
# 3    MB21D1    CGAS   115004
# 4      AIM1  CRYBG1      202
# 5      AIM1   AURKB     9212
# 6      AIM1 SLC45A2    51151
# 7    TMEM57   MACO1    55219
# 8     WISP1    CCN4     8840
# 9     PYCRL   PYCR3    65263
# 10 C16orf59   TEDC2    80178
# 11  SDCCAG3   ENTR1    10807
# 12   GATSL3 CASTOR1   652968
# 13 C11orf84 SPINDOC   144097
# 14   DOPEY2   DOP1B     9980
# 15    AIM1L  CRYBG2    55057
# 16  FAM109A  PHETA1   144717
# 17    TMEM2  CEMIP2    23670
# 18 KIAA1524   CIP2A    57650
# 19   FAM64A  PIMREG    54478
# 20     GSG2  HASPIN    83903
# 21 KIAA1468   RELCH    57614
# 22     MURC  CAVIN4   347273
# 23    H2AFX    H2AX     3014
# 24 HIST1H1T    H1-6     3010
# 25 C14orf80   TEDC1   283643

可以看到 4-6 行输出结果，别名 AIM1 对应到了 3 个基因 symbol

确实出现了我们上面说到的情况。那这种情况要怎么处理呢？

一般对我来说，我会选择删掉，毕竟这种无法确定这个基因别名到底对应的是哪个 symbol

# 删除多重配对的结果
uni_alias <- mapIds(org.Hs.eg.db, keys = no_map, column = 'SYMBOL', keytype = 'ALIAS', multiVals = 'filter')

我们使用 mapIds，用法和 select 差不多，并设置 multiVals='filter'，意思是删除这些重复匹配，你也可以设置其他值，如 first 保留第一个值等等。

最后返回的 uni_alias 为删除多匹配结果的 symbol

# 重新匹配到 id
alias_symbol_id <- select(org.Hs.eg.db, keys = uni_alias, columns = 'ENTREZID', keytype = 'SYMBOL')
# 'select()' returned 1:1 mapping between keys and columns

从输出信息可以看出，已经变成一对一了

最后，将两个结果合并，并输出

# 合并结果
res <- rbind(entrezid[!is.na(entrezid$ENTREZID),], alias_symbol_id)
# 输出结果
write.table(res, file = '~/Downloads/symbol_id.txt', sep = '\t', row.names = FALSE)

2.2 Python

Python 版本的话，作为一个进阶。下面我就简单介绍一下我之前用过的方法。

我之前是直接去 NCBI ftp ，下载对应的基因信息文件，然后利用正则表达式提取自己想要的信息，重新存为一个 Excel。如 id 和 symbol 或其他像 ensemble 等基因或蛋白质的信息。

需要的时候，直接从存储的文件中进行匹配。这些操作比较复杂，感兴趣的可以私聊。

下面我就直接把前面安装 R 包的时候下载的文件拿来用了，加入一些数据库查询语句，简单匹配一下，大家作为例子了解一下

import pandas as pd
import sqlite3

# org.Hs.eg.db 包中的 sqlite 数据文件
db = "org.Hs.eg.db/extdata/org.Hs.eg.sqlite"
# 建立连接
conn = sqlite3.connect(db)

导入模块，并对数据文件建立连接

查询文件中所包含的所有表

pd.read_sql('select * from sqlite_master where type="table"', con=conn)

image.png

查询文件中所包含的所有视图

pd.read_sql('select * from sqlite_master where type="view"', con=conn)

image.png

查询文件中所包含的所有索引

pd.read_sql('select * from sqlite_master where type="index"', con=conn)

image.png

可以看到，类似 R，存在许多表，例如

pd.read_sql('select * from gene_info', con=conn)

image.png

获取基因 symbol 及其 id

df = pd.read_sql('select gene_id,symbol from gene_info inner join genes on gene_info._id = genes._id', con=conn)
type(df)
# pandas.core.frame.DataFrame

最后，这就变成一个 pandas DataFrame 格式数据了

image.png

symbol = pd.read_csv('~/Downloads/symbol.txt', header=None, names=['symbol'])
df.loc[df.symbol.isin(symbol.symbol)]

image.png

可以看到匹配到了 100 个基因

后续代码

# 获取基因 symbol、别名列表
alias = pd.read_sql('select symbol, alias_symbol from alias inner join gene_info on alias._id = gene_info._id', con=conn)
# 获取为匹配的别名
no_map = symbol.loc[~symbol.symbol.isin(entrezid.symbol)]
# 未匹配的别名再匹配到 symbol
tmp = alias.loc[alias.alias_symbol.isin(no_map.symbol)]
left_symbol = tmp.loc[tmp.alias_symbol.isin(tmp.alias_symbol.drop_duplicates(keep=False))]
# 再用 symbol 匹配 id
left_id = df.loc[df.symbol.isin(left_symbol.symbol)]

# 合并输出并输出
res = pd.concat([entrezid, left_id])
res.to_csv('~/Downloads/symbol_id.p.txt', index=

image.png

大功告成！