如何让基因名称在多个数据库间随意转换？
这个帖子会成为一个经典。
在GEO芯片的分析中，探针ID转换是个限速环节。这个限速环节迫使我在早期分析的时候，常常在多个在线网站中跳来跳去，我觉得不够优雅，在学会了R语言之后，我就一直尝试去解决这个问题。
简单说来，GEO芯片的探针ID转换，包括三个层面：
第一，R包注释
如果有平台对应的R包，我们就直接下载对应的R包去转换
平台和R包的对应关系我们对应了一个platformMap文件，在果子学生信微信公众号回复“果子学生信”即可获取
第二，平台获取
如果平台没有对应的R包，我们可以下载平台的注释文件，自己提取。
所有的探针ID转换，我们至少要获取两列数据，第一列是已有的探针，第二列对应的基因ID。
有以下的帖子可供参考
skr！GEO芯片数据的探针ID转换
有些GEO平台的探针转换比较麻烦
正则表达式是我们认识世界的哲学
学习正则表达式-stringr这个包的使用-极简入门
GEO芯片中的NM_，NR_开头的识别号如何转换成基因名称？
第三，序列比对
非编码GEO芯片的探针ID转换常常平台信息给出的是序列。
这个稍微有点困难，我们也写了教程，甚至提供了常见平台转换好的文件。在果子学生信微信公众号回复“果子非编码”即可自助获取。
GEO芯片分析的倒数第2个关卡被没有了
这三个方法可以搞定几乎所有GEO芯片的探针ID转换，接下来的问题就是，如果和获得的基因名称变换为各种数据库的名称，比如ensemble ID， entrez ID , 你看我连这些名称都写不清楚。
当然有很多在线网站可以做这个事情，R语言里面也可以完成，今天介绍的是biomaRt，介绍的风格跟学习正则表达式-stringr这个包的使用-极简入门这个帖子一样，用最小的精力，学习最重要的功能。
使用biomaRt来进行ID转换
这个包我们之前介绍过，当时是处理NM_,NR_开头的基因名称
GEO芯片中的NM_，NR_开头的识别号如何转换成基因名称？
今天我们重新讲一下，作为课程的补充。
1.安装及加载R包
options(BioC_mirror="https://mirrors.tuna.tsinghua.edu.cn/bioconductor")
if(!require("biomaRt")) BiocManager::install("biomaRt",update = F,ask = F)
library(biomaRt)
biomaRt包ID转换三部曲
我们现在假设一个需求，把三个基因名称转换为entrez ID
第一,要有自己的名称
your_gene_ids <- c("TP53","SMAD4","BRCA1")
第二，要选择所用的数据库
ensembl=useMart(biomart="ensembl",dataset="hsapiens_gene_ensembl")
第三，根据目的直接转换
annotations1 <- getBM(values = your_gene_ids,
filters = 'hgnc_symbol',
mart = ensembl,
attributes = c('hgnc_symbol', 'entrezgene_id'))
最终得到这样的结果
这里面的核心是第三步
getBM转换函数，里面包括四个参数，我来解释一下。
扩展需求来加深理解
1. 如何同时返回多个数据库的结果？
这个很简单，只要在getBM函数中，修改attributes的参数内容即可。难点是，不知道如何表示不同数据库的基因名称。
这个可以通过以下代码实现：
listAttributes <- listAttributes(mart = ensembl)
第一列表示可以转换的类型，比如ensemble数据库的名称用
ensembl_gene_id来表示，我们就可以修改代码如下
annotations2 <- getBM(values = your_gene_ids,
filters = 'hgnc_symbol',
mart = ensembl,
attributes = c('hgnc_symbol',
'entrezgene_id',
"ensembl_gene_id"))
如果是假如转录本的名称，结果会自动扩展行数，因为一个基因会对应多个转录本。
annotations3 <- getBM(values = your_gene_ids,
filters = 'hgnc_symbol',
mart = ensembl,
attributes = c('hgnc_symbol',
'entrezgene_id',
"ensembl_gene_id",
"ensembl_transcript_id",
"refseq_mrna"))
2. 如果我不是人，怎么办？
这个R包支持多物种的注释，只要在第二步中在useMart里面限定dataset参数即可，首先我们需要知道有哪些物种的数据库可用。
listDatasets= listDatasets(mart = useMart('ensembl'))
给出了190个动物的注释数据，图中我能认识的是熊猫和鸭子。
可以写一个简单的表达式来返回数据库名称，比如人类的
index <- grep("human",listDatasets$description,ignore.case = T)
listDatasets$dataset[index]
"hsapiens_gene_ensembl"
尝试一下兔子的
index <- grep("rabbit",listDatasets$description,ignore.case = T)
listDatasets$dataset[index]
"ocuniculus_gene_ensembl"
现在只要修改useMart函数里面的dataset参数即可。
3.混杂基因名称怎么办？
读入一个数据
dd <- data.table::fread("Diffgenes_JDS.csv")
这个数据是兔子的转录组测序数据，里面可以看到基因名称是混杂的，如何转换为entrez ID呢？
我实际上没有一步实现的方法，要是我就分别转换，先把ensemble的ID抽取出来转换，再把剩下的gene symbol转换一下
先把ensemble ID转换一下，用grep来提取
以下全是三部曲。
library("biomaRt")
index <- grep("ENSOCUG",dd$GeneName)
your_gene_ids <- dd$GeneName[index]
ensembl = useMart("ensembl",dataset="ocuniculus_gene_ensembl")
annotations4 <- getBM(values = your_gene_ids,
mart = ensembl,
filters = 'ensembl_gene_id',
attributes=c('ensembl_gene_id', 'entrezgene_id'))
再来转换剩下的gene symbol，他有专业的名称，叫做hgnc_symbol.
library("biomaRt")
index <- grep("ENSOCUG",dd$GeneName)
your_gene_ids <- dd$GeneName[-index]
ensembl = useMart("ensembl",dataset="ocuniculus_gene_ensembl")
annotations5 <- getBM(values = your_gene_ids,
mart = ensembl,
filters = 'hgnc_symbol',
attributes=c('hgnc_symbol', 'entrezgene_id'))
最后用rbind函数合并以下就可以了。
好了，我是果子，明天见。
