芯片无忧的使用教程_芯片探针序列的基因注释已经无需你自己亲自做了

在整个生信技能树的历史上，就分享过两次价值一千元的：

• 第一次是：TCGA的28篇教程-风险因子关联图-一个价值1000但是迟到的答案
• 第二次是：（重磅！价值一千元的R代码送给你）芯片探针序列的基因组注释

其中第二个教程是纯粹的R代码技巧，怕粉丝看不懂，我还刻意花了一个星期做铺垫：

• 1 把fasta序列读入到R里面去
• 2 使用refGenome加上dplyr玩转gtf文件
• 3 把bam文件读入R，并且转为grange对象
• 4 在R里面使用Rsubread完成组学分析全套流程
• 5 在R里面对坐标进行映射
• 6 下载所有芯片探针序列并且写成fasta文件

有两个弊端

根据粉丝的反馈，是有两个问题的，首先是该R包在Windows平台是无法使用的，然后是大家下载参考基因组总是搞错！

还专门有粉丝发邮件求助，问我为什么，他跟着我的教程：（重磅！价值一千元的R代码送给你）芯片探针序列的基因组注释 报错：ERROR: the provided reference sequences include more than 4 billion bases 初步怀疑是电脑配置不够，就升级到了96GB内存，20核心CPU，1.2T硬盘，但是报错依旧！

所以我就让他指明是哪一个步骤代码问题，结果他告诉我下载的1G参考基因组解压后是54G，我的天！

我代码中说的数据库：'Homo_sapiens.GRCh38.dna.toplevel.fa' 因为并没有给出下载的链接，所以导致初学者只能是自己折腾碰壁了，但是正常的生物学背景知识朋友都应该是知道人类参考基因组是3G左右啊!如果你下载的是toplevel版本的基因组： Homo_sapiens.GRCh38.dna.toplevel.fa.gz，文件大小1G，解压后54G！！！实际上用它对应的primary版本就够了：Homo_sapiens.GRCh38.dna.primary_assembly.fa.gzprimary的版本中是不包括haplotype info的，而top level中会包含大量的变异信息，而这部分是很冗余并且一般也用不太到。

其实你可以使用我们的AnnoProbe包

目前仍然是 host 在GitHub上面：https://github.com/jmzeng1314/annoprobe

如果大家觉得有帮助，后续我会考虑抽时间去发布在bioconductor里面，甚至写成SCI文章供大家引用。

以前大家是需要自己下载探针序列进行参考基因组比对后注释，比如我在 （重磅！价值一千元的R代码送给你）芯片探针序列的基因组注释 提到的例子;关于

Human LncRNA Expression Array V4.0 AS-LNC-H-V4.0 20,730 mRNAs and 40,173 LncRNAs 8*60K

这个芯片探针的重新注释，一般文献里面的描述是：

• probe sequences 探针序列下载
• uniquely mapped to the human genome (hg19) by Bowtie without mismatch. 参考基因组下载及比对
• chromosomal position of lncRNA genes based on annotations from GENCODE (Release 23)坐标提取，最后使用bedtools进行坐标映射

但是大部分人是没有linux操作能力，无法完成这个流程，使用我们的包可以轻轻松松达到探针注释的目的！

首先下载安装我们的AnnoProbe包

library(devtools)
install_github("jmzeng1314/AnnoProbe")
library(AnnoProbe)

因为这个包里面并没有加入很多数据，所以理论上会比较容易安装，当然，不排除中国大陆少部分地方基本上连GitHub都无法访问。

然后使用AnnoProbe包获取探针注释信息

# GPL21827[Accession] - GEO DataSets Result - NCBI - NIH
# https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GPL21827
gpl='GPL21827'
probe2gene=idmap(gpl,type = 'pipe')
head(probe2gene)

轻轻松松的几行代码，就拿到了探针的注释信息哦

是不是很激动？