哈佛大学——差异表达分析（十五）基因注释

学习目标

1. 利用基因组注释数据库对基因表进行功能分析
2. 理解存储在不同数据库中的信息类型
3. 探讨几种常用的用于检索基因组注释的R包的优缺点

基因组注释

下一代测序结果的分析需要将基因、转录本、蛋白质等与功能或调控信息相关联。为了对基因列表进行功能分析，我们经常需要获得与我们希望使用的工具兼容的基因标识符（gene identifiers），这并不总是微不足道的。在这里，我们将讨论获得基因注释信息的方法，以及每种方法的优缺点。

数据库

我们从储存信息的必要数据库中检索有关生物学过程、通路等(基因所涉及的)的信息。您选择的数据库将取决于您试图获取的信息类型。经常查询的数据库包括:

常用数据库

提供基因组特征、特征坐标、同源性、变异信息、表型、蛋白结构域/家族信息、相关生物学过程/通路、相关microRNAs等全面信息:

• Ensembl (use Ensembl gene IDs)
• NCBI (use Entrez gene IDs)
• UCSC
• EMBL-EBI

专用注释数据库

提供与特定主题相关的注释:

• Gene Ontology (GO):基于Ensembl或Entrez gene IDs或官方基因符号的基因本体论生物过程（biological processes）、细胞成分（cellular components）和分子功能（molecular functions）的数据库
• KEGG:生物通路数据库-基于Entrez gene IDs
• MSigDB:基因集（gene sets）数据库
• Reactome:生物途径的数据库
• Human Phenotype Ontology:与人类疾病相关的基因数据库
• CORUM:蛋白质复合体的数据库，包含人类，小鼠，大鼠
• …
  这不是一个详尽的列表，还有许多其他可用的数据库没有在这里列出。

基因组的构建

在开始搜索这些数据库之前，应该知道使用了哪个基因组构建（build of the genome） 来生成基因列表，并确保在功能分析期间对注释使用相同的构建（same build for the annotations）。当一个新的基因组构建完成后，基因组特征(基因、转录本、外显子等)的名称和/或坐标位置可能会发生改变。因此，关于基因组特征(基因、转录子、外显子等)的注释是针对基因组构建的，我们需要确保我们的注释是从合适的资源获得的。
例如，如果我们使用人类基因组的GRCh38构建来量化用于差异表达分析的基因表达，那么我们应该使用相同的基因组GRCh38构建来进行基因id之间的转换，并识别每个基因的注释。

访问数据库的工具

在R中，有许多流行的用于基因/转录水平注释的包。这些包提供了获取基因列表的工具，并使用上面列出的一个或多个数据库检索每个基因的信息。

注释工具:用于从特定数据库中访问/查询注释

Tool	Description	Pros	Cons
org.Xx.eg.db	Query gene feature information for the organism of interest	gene ID conversion, biotype and coordinate information	only latest genome build available
EnsDb.Xx.vxx	Transcript and gene-level information directly fetched from Ensembl API (similar to TxDb, but with filtering ability and versioned by Ensembl release)	easy functions to extract features, direct filtering	Not the most up-to-date annotations, more difficult to use than some packages
TxDb.Xx.UCSC.hgxx.knownGene	UCSC database for transcript and gene-level information or can create own TxDb from an SQLite database file using the GenomicFeatures package	feature information, easy functions to extract features	only available current and recent genome builds - can create your own, less up-to-date with annotations than Ensembl
annotables	Gene-level feature information immediately available for the human and model organisms	super quick and easy gene ID conversion, biotype and coordinate information	not updated regularly
biomaRt	An R package version of the Ensembl BioMart online tool	all Ensembl database information available, all organisms on Ensembl, wealth of information	being deprecated (?)

接口工具:用于从多个不同的注释源访问/查询注释

• AnnotationDbi:查询OrgDb、TxDb、Go。db、EnsDb和BioMart注释。
• AnnotationHub:查询全基因组资源的大集合，包括ENSEMBL、UCSC、ENCODE、Broad Institute、KEGG、NIH Pathway Interaction Database等。

注意:这两个包都可以用于创建tx2gene文件，我们在本课程开始时让您下载这些tx2gene文件。

AnnotationDbi

AnnotationDbi是一个R包，它提供了使用SQLite数据存储连接和查询各种注释数据库的接口。AnnotationDbi包可以查询OrgDb、TxDb、EnsDb、Godb和BioMart annotations。当从这些数据库中提取数据时，有一些有用的文档可供参考。

虽然AnnotationDbi是一种流行的工具，但我们不会遍历使用这个包的代码。但是，如果您对更详细的内容感兴趣，我们在这里提供了使用当前数据集的示例链接材料。

AnnotationHub

AnnotationHub是一个很好的访问基因组数据或查询整个基因组资源的大集合，包括ENSEMBL, UCSC, ENCODE, Broad Institute, KEGG, NIH Pathway Interaction Database等。所有这些信息都被存储起来，通过直接连接到数据库很容易访问。
要开始使用AnnotationHub，我们首先加载库并连接到数据库:

# Load libraries
library