代码分享｜GPL平台没有基因注释什么办？别慌，基因ID注释万能公式！

1.前言

前因是小编在接近两年前回复了C站小伙伴一条帖子，这一年多来陆续有20几个问题，同样是问GPL没有基因注释文件怎么转换Symbol ID

说实话我也不知道，如果是做大队列的话一般为了省事我直接换一个GSE，但如果这个数据集真的很好，含泪也要想办法去搞定。而且第一时间看到soft里无symbol或者GPL是空的不要慌：

• 一般情况下，作者都会在补充文件上传已经注释好ID的表达矩阵，或者把注释文件，直接下载使用即可。
• 第二般情况下，在谷歌检索这个GSE+symbol，或者检索GPL+gene，或者其中一个id+ann/symbol/gene，比较热门的平台网上都会有大神提供的文件或者结果。常见的都是在github上的
• 第三般情况，真的很新很新这个平台，上官网，Agilent的去Agilent，Illumina的去Illumina，发邮件联系，祝你好运。
• 最后情况，见招拆招，歪门邪道，完全看经验，归根结底还是需要知道这是什么ID，才能去找到对应的注释。小编在后面分享一下解决方案吧。

代码已打包，公众号多线程核糖体后台回复geo转换id即可领取

2.GPL空了怎么办

2.1 google/官网

这两种情况比较繁琐且特殊，没有找到太好的例子去示范，就按上面说的方法去查即可。

2.2 GSE164011

这是第一种情况，GPL21697、GPL24676、GPL29487空空如也

但是看一下补充文件，其实作者已经做了一个转换完ID的矩阵了，留意一下每个sheet，有原始reads的有靶点的还有蛋白的，根据自己需求，一般拿raw_count最就行了

2.3 GSE213001

这个GSE的GPL也是空无一物，不过作者也上传了表达矩阵上来，但是

但是是EntrezID，是的，也不算Symbol ID

不过做过TCGA的小伙伴应该能GET到，这个拿TCGA官网的ann文件转换即可，所以还是熟能生巧，经验法。

2.4 GSE212067（看漏眼情况）

这种不过多阐述了，提问的小伙伴应该看漏了，
gene_assignment这列里有Symbol ID。简单点用excel分列提取可以，这个在R用正则表达式提取第二个//和第三个//之间的内容即可，可以用sub或者gsub，用stringr也行：

library(stringr)
df$ann <- str_extract(df$gene_assignment, "(?<=// ).+?(?= //)")

2.5 GSE242881（还是看漏眼）

这种也是空GPL的，不过补充文件有表达矩阵，先下载

不要看到第一列Ensemble ID就开始找文件，其实Symbol ID也在里面，稍微往后喵点，gene_name这列，这是老鼠的基因所以小写

2.6 GSE146621

这个GEO数据集依旧是无平台注释文件，google也搜不到，官网也不好找，这种怎么办呢。其实做多了GEO的可以一眼看出这个NM_，这个其实是RefSeq，这是NCBI给基因/蛋白做的标识探针靶向的基因序列

关于RefSeq转Symbol网上好像有标准文件的，这里偷了个懒，直接拿个之前带有NM的注释文件，提取了RefSeq和Symbol拿来merge

看了下有点牵强，能转换大概一万两千个左右，能用但不算太好，因为去完重后估计还得少一大段，所以很不推荐

---

上面是错误示范，标准答案：

还是用org.Hs.eg.db包来注释吧，试了一下，全部都能转换成功，一共35064个，说明还是术业有专攻，这个懒偷不得。。。。

> library('org.Hs.eg.db')
> columns(org.Hs.eg.db)
 [1] "ACCNUM"       "ALIAS"        "ENSEMBL"      "ENSEMBLPROT"  "ENSEMBLTRANS" "ENTREZID"    
 [7] "ENZYME"       "EVIDENCE"     "EVIDENCEALL"  "GENENAME"     "GENETYPE"     "GO"          
[13] "GOALL"        "IPI"          "MAP"          "OMIM"         "ONTOLOGY"     "ONTOLOGYALL" 
[19] "PATH"         "PFAM"         "PMID"         "PROSITE"      "REFSEQ"       "SYMBOL"      
[25] "UCSCKG"       "UNIPROT"     
> length(keys(org.Hs.eg.db, keytype = 'REFSEQ'))
[1] 481819
> ids <- select(org.Hs.eg.db, keys=data$ID, columns = 'SYMBOL', keytype = 'REFSEQ')
> colnames(ids) <- c("ID","Symbol")
> write.table(ids,"ids_all.txt",sep = "\t",row.names = F,quote = F)
> genes <- intersect(data$ID,ids$ID)
> length(genes)
[1] 35064

3.转换ID代码分享链接

此外还有之前分享过的用注释文件转换基因ID的标准流程：

公众号多线程核糖体后台回复geo转换id即可领取项目代码及文件

里面还包含了人源lncRNA、mRNA和miRNA的基因信息汇总文件，方便大家根据研究需求做筛选和过滤

• 如果还有其他难处理的或找不到注释文件的数据集留言讨论