四、基因ID转换

2022-01-20 本文已影响0人白米饭睡不醒

#去掉数据框中基因id的小数点以及小数点的后两位
library(stringr)
rownames(exp) = str_split(rownames(exp),"\\.",simplify = T)[,1]
#会损失部分基因

01.需求

TCGA的RNA-seq数据使用的geneid是ensembl id,两个常见的需求：

1.差异分析结果中每个ensembl id对应的symbol和类型(mRNA/lncRNA或其它)

2.将行名从ensembl id 转换为symbol

02.思路

1.找到TCGA数据对应的参考基因组注释版本。

2.下载该版本的参考基因组注释文件，提取ensembl id 与symbol的对应关系及每个基因的gene type信息。

3.可以将symbol和gene type 用merge添加到差异分析结果中，也可以在差异分析前先转换矩阵的行名。

03.动起来

1.找参考基因组版本

gdc首页的support → about the data 中的 GDC Reference Files → 可以看到使用的参考基因组版本是genecode的v22。（版本很多，这个是14年的版本了）

2.找区分类型的列

在gtf文件里并不是直接分出了lncRNA，需要找gtf文件里对biotype的说明，不看不知道，一看发现这是一个很长的表格。

其中对lncRNA的说明是：

Generic long non-coding RNA biotype that replaced the following biotypes: 3prime_overlapping_ncRNA, antisense, bidirectional_promoter_lncRNA, lincRNA, macro_lncRNA, non_coding, processed_transcript, sense_intronic and sense_overlapping.

所以需要将genetype里这些类型对应的行挑出来，就是lncRNA了。然后与表达矩阵行名进行匹配替换，就可以分别得到mRNA和lncRNA的矩阵了。

options(stringsAsFactors = F)
if(!file.exists("gtf_gene.Rdata")){
  #step1:读取并探索gtf文件----
  #BiocManager::install("rtracklayer")
  library(rtracklayer)
  gtf = rtracklayer::import("gencode.v22.annotation.gtf")
  class(gtf)
  gtf = as.data.frame(gtf);dim(gtf)#转换成数据框格式
  colnames(gtf)
  table(gtf$type)
  #step2:先筛选出gene对应的行
  gtf_gene = gtf[gtf$type=="gene",]
  save(gtf_gene,file = "gtf_gene.Rdata")
}
load("gtf_gene.Rdata")
load("TCGA-CHOL_DEG.Rdata")
deg = DESeq2_DEG
table(rownames(deg) %in% gtf_gene$gene_id)#看所有表达矩阵中的行名是不是都存在于gtf中
#> 
#> FALSE  TRUE 
#>     3 30345

an = gtf_gene[,c("gene_name","gene_id","gene_type")]
deg = merge(deg,an,by.x = "row.names",by.y = "gene_id")#可直接根据行名来索引

# mRNA和lncRNA总共有多少个？

lnc = c("3prime_overlapping_ncRNA", "antisense", "bidirectional_promoter_lncRNA", "lincRNA", "macro_lncRNA", "non_coding", "processed_transcript", "sense_intronic" , "sense_overlapping")

k1 = gtf_gene$gene_type %in% lnc;table(k1)#lncRNA数量
#> k1
#> FALSE  TRUE 
#> 45657 14826
k2 = gtf_gene$gene_type == "protein_coding";table(k2)#mRNA数量
#> k2
#> FALSE  TRUE 
#> 40669 19814

# deg中有多少mRNA和lncRNA?

k3 = deg$gene_type %in% lnc;table(k3)#表达数据中的lncRNA数量
#> k3
#> FALSE  TRUE 
#> 22844  7501
k4 = deg$gene_type =="protein_coding";table(k4)#表达数据中的mRNA数量
#> k4
#> FALSE  TRUE 
#> 12881 17464

# 差异的 mRNA和lncRNA 各有多少
k5 = deg$change !="NOT"
table(k3&k5)
#> 
#> FALSE  TRUE 
#> 29949   396
table(k4&k5)
#> 
#> FALSE  TRUE 
#> 29261  1084

表达矩阵的行名id转换

做差异分析之前先转换ID

rm(list = ls())
load("TCGA-CHOL_gdc.Rdata")
load("gtf_gene.Rdata")
an = gtf_gene[,c("gene_name","gene_id","gene_type")]
exp = exp[rownames(exp) %in% an$gene_id,]#match要求内容相同顺序不同，第一个元素中不可以有后面不存在的东西，后面可以有前面没有的东西
an = an[match(rownames(exp),an$gene_id),]#以rownames(exp)为标准调整an
identical(an$gene_id,rownames(exp))
#> [1] TRUE

#给矩阵换行名时，行名不能有重复，但是这里gene_name中有重复
k = !duplicated(an$gene_name);table(k)#两个对应数据取子集
#> k
#> FALSE  TRUE 
#>   193 30152

an = an[k,]#gene_name只保留一个
exp = exp[k,]#exp只保留一个

rownames(exp) = an$gene_name

# 最终得到的结果
exp[1:2,1:2]
#>        TCGA-W5-AA36-01A-11R-A41I-07 TCGA-W5-AA2H-01A-31R-A41I-07
#> TSPAN6                         2504                          226
#> DPM1                           1272                         1146

save(exp,file = paste0(cancer_type,"_symbol_exp.Rdata"))

*全部为自生信技能树课堂笔记