前言
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：
网站提供的工具，比如 biodbnet
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
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
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$V1))
读取完成，将 symbol 转换为 entrezid
# 将 symbol 对应到 entrezid entrezid <- select(org.Hs.eg.db, keys=symbol, columns = 'ENTREZID', keytype = 'SYMBOL') # 'select()' returned 1:1 mapping between keys and columns
可以看到最后的输出信息，表示是一对一匹配的
那到这是不是就结束了呢，我们来看看结果
SYMBOL ENTREZID 1 COL10A1 1300 2 CTHRC1 115908 3 POSTN 10631 4 COL11A1 1301 ... ... 120 MURC121 H2AFX122 HIST1H1T123 C14orf80
咦，怎么没匹配到 ID 呢，这可咋办呢。
在这里，我们就要引出一个基因 “别名（alias）”：
通常，基因 symbol 是由 HUGO(Human Genome Organisation) 基因命名法给出的权威性的命名，但是在这之前，许多研究中对基因的命名并没有那么规范，不同研究中可能会对同一个基因有不同的称呼，其中一些名称已经被广泛使用，
因此会存在一个基因或其对应的蛋白质会有不同的别名，不同的别名可能会对应于同一个基因，这种一对多或多对一的关系。
详情请自行维基百科：Gene nomenclature
好了，既然 symbol 找不对，那就试试 alias 吧
# 是否存在未匹配的 SYMBOL no_map <- sort(as.character(entrezid[is.na(entrezid$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)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)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)可以看到，类似 R，存在许多表，例如
pd.read_sql('select * from gene_info', con=conn)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
symbol = pd.read_csv('~/Downloads/symbol.txt', header=None, names=['symbol'])
df.loc[df.symbol.isin(symbol.symbol)]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=大功告成！
