获取TCGA中miRNA的ID转换文件(区分5p和)

没有涉及过microRNA的实验，所以一直没写过相关的帖子，这个星期开始，更新一下microRNA的帖子。
TCGA中的micoRNA，他的ID是这个样子的，

看起来很不和谐，但是，这种ID是可以区分出3p和5p的miRNA的。他的转换文件在这里。

http://www.mirbase.org/

以MIMAT0000062为例

输入一个名字后点击GO就进入以下界面：

在这里，我们可以看到这个miRNA的全称是hsa-let-7a-5p，他还有个对应的3p miRNA。

如果想要获取所有人类的miRNA转换关系呢？
主页面有个Download

里面有个fasta文件可以下载

下载完了之后打开Rstudio，新建项目，把fasta文件放入工作目录对应的文件夹

解压后就是mature.fa

读取fasta文件，可以用Biostrings这个R包。
用readDNAStringSet这个函数读取，用names函数获取注释

library("Biostrings")
fastaFile <- readDNAStringSet("mature.fa")
rdn = names(fastaFile)

现在rdn是这个样子的

我们只要把它里面的对应关系提取出来即可，首先把它转换为数据框，就变成一列，然后用空格来裂解，选取就可以了，最终获取的是全部物种的，可以把人类的筛选出来。

dd1 <- data.frame(rdn) %>% 
  separate(rdn,into = c("miRNA_name","miRNA_ID","species"),sep = " ") %>% 
  filter(species=="Homo")

总共2656行。这样对应关系就找到了，通过限定species还可以获取其他物种的，在这里没有意义，因为TCGA是人类的样本。

还有什么方法呢，到现在我还没用过洲更和小洁介绍过的readLines，这个函数可以一行行读取文件，读取的元素就是向量的一部分

rdn <- readLines("mature.fa")

速度是又快，结果也很好

这么规则的数据，提取出想要的元素，也很简单呢

dd2 <- data.frame(rdn) %>%
  ## 选取 ">"
  filter(grepl(">",rdn)) %>% 
  ## 去掉 ">"
  separate(rdn,into = c("drop","rdn"),sep = ">") %>% 
  ## 分栏
  separate(rdn,into = c("miRNA_name","miRNA_ID","species"),sep = " ") %>% 
  ## 选择目标栏
  select(miRNA_name,miRNA_ID,species) %>% 
  ## 选择人类
  filter(species=="Homo")

得到的结果肯定是一抹一样

这样TCGA的miRNA也可以转换了。
现在限制我们的是，没有数据嘛，那明天见。