常用数据库ID

最近在学GEO数据库和RNA-seq，一直都有关于id转换的步骤，一直搞不清楚，今天参考常用数据库的基因ID，归纳整理一下。

Ensembl stable ID

Ensembl stable ID 的结构是根据不同物种设置的前缀，加上数据所指的类型，如基因蛋白质，再加上一系列的数字。有的时候可以有不同的版本，则在 Ensembl ID 后面加上小数点和版本号。

UniProt

UniProt 中录入的数据都被分配了一个唯一的 entry name，叫做UniProtKB/Swiss-Prot entry name。它是最多有 11 位包含大写字母的字符串，一般有着 “X_Y” 的形式，其中 “X”是最多五个便于记忆的蛋白质编号，“_" 是下划线，“Y” 是最多五个便于记忆的物种编号。

Gene Symbol (HUGO Symbol)

Gene Symbol是用来表示基因的编码，由大写字母构成，或由大写字母和数字构成，首字母均应该是字母，有点像是是基因的标准缩写。HUGO Gene Symbol：HUGO Gene Symbol(也叫做HGNC Symbol，即基因符号)是HGNC组织对基因进行命名描述的一个缩写标识符，这些基因符号都是唯一的。

**RefSeq Accession Number **

RefSeq 有一套特殊的 Accesion Number. 形式是：[A-Z]{2}[_][0-9]{6:}，两个大写字母, 一个下划线，6 个或更多的数字。RefSeq — NCBI数据库的参考序列。校正的，非冗余集合，包括基因组DNA contigs，已知基因的mRNAs和蛋白。Accession numbers用NT_xxxxxx, NM_xxxxxx, NP_xxxxxx, 和NC_xxxxxx的形式来表示。

Entrez ID

Entrez 是 NCBI 使用的能够对众多数据库进行联合搜索的搜索引擎，其对不同的 Gene 进行了编号，每个 gene 的编号就是 entrez gene id。由于 entrez id 相对稳定，所以也被众多其他数据库，如 KEGG 等采用。Entrez Gene ID 就是一系列数字，也比较容易辨识。R 或网站都有众多的工具可以帮助从不同的 ID 转换为 entrez id或者反向转换。