Bioconductor没想象的那么简单(part2)

2019-03-25 本文已影响40人刘小泽

刘小泽写于2019.3.24

今天看看Bioconductor的注释资源

前言

Bioconductor的注释信息有许多用处，比如可以将Ensembl ID转为HUGO symbol，但数据注释是一个复杂的工作，根据功能和位置主要有下图几种形式

目前通常处理的生信数据格式主要有三类：实验数据(例如：表达矩阵Experimental data)、样本数据(Sample data)、注释数据(Annotation data)

可以存在三个不同的数据框，或者是ExpressionSet、SummarizedExperiment这样的对象

ExpressionSet

示例数据下载地址：https://github.com/jmacdon/Bioc2018Anno/blob/master/inst/extdata/eset.Rdata

> rm(list=ls())
> options(stringsAsFactors = F)
> load('eset.Rdata')
> eset
ExpressionSet (storageMode: lockedEnvironment)
assayData: 33552 features, 6 samples 
  element names: exprs 
protocolData: none
phenoData
  sampleNames: GSM2194079 GSM2194080 ... GSM2194084 (6 total)
  varLabels: title characteristics_ch1.1
  varMetadata: labelDescription
featureData
  featureNames: 16657436 16657440 ... 17118478 (33552 total)
  fvarLabels: PROBEID ENTREZID SYMBOL GENENAME
  fvarMetadata: labelDescription
experimentData: use 'experimentData(object)'
Annotation: pd.hugene.2.0.st

eset中主要包含assayData、phenoData、featureData等

assayData: 表达矩阵(行为基因/探针名，列为样本)，利用exprs提取
phenoData: 是AnnotatedDataFrame的一种，它的行数等于assayData的列数，相当于一些样本信息[上图中的Sample Data]；
featureData：也是AnnotatedDataFrame的一种，它的行数等于assayData的行数，并且行名也相同，相当于一些基因信息[上图中的AnnotationData]

实验数据利用exprs取数据，利用pData看表型

> head(exprs(eset))
         GSM2194079 GSM2194080 GSM2194081 GSM2194082 GSM2194083 GSM2194084
16657436   8.505158   9.046577   8.382674   9.115481   8.715343   8.566301
16657440   7.948860   8.191222   7.901911   8.459781   8.191793   8.219658
16657450  10.932934  11.228553  10.948120  11.462231  11.300046  11.300886
16657469   9.172462   9.344630   9.193450   9.465584   9.464020   9.135715
16657473   6.222049   6.551035   6.000246   6.398798   5.892654   5.592125
16657476   8.514300   8.474073   8.407196   8.811238   8.780833   8.874606

> head(pData(phenoData(eset)))
                         title characteristics_ch1.1
GSM2194079   SW620-miR625-rep1     shRNA: miR-625-3p
GSM2194080   SW620-miR625-rep2     shRNA: miR-625-3p
GSM2194081   SW620-miR625-rep3     shRNA: miR-625-3p
GSM2194082 SW620-scramble-rep1       shRNA: scramble
GSM2194083 SW620-scramble-rep2       shRNA: scramble
GSM2194084 SW620-scramble-rep3       shRNA: scramble

> head(pData(featureData(eset)))
          PROBEID  ENTREZID      SYMBOL
16657436 16657436     84771     DDX11L2
16657440 16657440 100302278   MIR1302-2
16657450 16657450    402483   LINC01000
16657469 16657469    140849 LINC00266-1
16657473 16657473    729759      OR4F29
16657476 16657476    388574   RPL23AP87
                                                  GENENAME
16657436                     DEAD/H-box helicase 11 like 2
16657440                                   microRNA 1302-2
16657450       long intergenic non-protein coding RNA 1000
16657469      long intergenic non-protein coding RNA 266-1
16657473 olfactory receptor family 4 subfamily F member 29
16657476              ribosomal protein L23a pseudogene 87

注释资源

使用AnnoDb包

主要函数就是select => select(annopkg, keys, columns, keytype)

其中：annopkg是注释包；keys是目前知道的ID号；columns是想得到的列；

keytype是使用的key的类型

简答的例子

分析Affymetrix Human Gene ST 2.0 array芯片数据，然后想知道这些基因是什么

> BiocManager::install("hugene20sttranscriptcluster.db", version = "3.8")
> library(hugene20sttranscriptcluster.db)
> set.seed(12345)
# 随机选择一些probe ID
> ids <- featureNames(eset)[sample(1:25000, 5)]
> ids
[1] "16715361" "16774497" "16836414" "16910671" "17002888"
# 看看probe ID对应的基因名
> AnnotationDbi::select(hugene20sttranscriptcluster.db, ids, "SYMBOL")
'select()' returned 1:1 mapping between keys and columns
   PROBEID    SYMBOL
1 16908472 LINC01494
2 16962185      ALG3
3 16920686      <NA>
4 16965513      <NA>
5 16819952      CBFB

我们怎么知道注释包中的核心ID（central keys）呢？比如在上面的芯片注释包(ChipDb)中，核心ID就是探针ID(probe ID)；
如果是物种注释包(例如org.Hs.eg.db)，核心ID就是eg代表的Entrez Gene ID；

即使不知道核心ID是什么类型也没关系，使用keytypes()或columns() 可以看到包中所有的ID类型，然后利用select选出这些ID

> if (! require(hgu95av2.db,character.only=T) ) {
  BiocManager::install(hgu95av2.db,ask = F,update = F)
}
> columns(hgu95av2.db) # or keytypes(hgu95av2.db)
> keys <- head( keys(hgu95av2.db) )
> keys
> AnnotationDbi::select(hgu95av2.db, keys=keys, columns = c("SYMBOL","ENTREZID"))
'select()' returned 1:1 mapping between keys and columns
    PROBEID  SYMBOL ENTREZID
1   1000_at   MAPK3     5595
2   1001_at    TIE1     7075
3 1002_f_at CYP2C19     1557
4 1003_s_at   CXCR5      643
5   1004_at   CXCR5      643
6   1005_at   DUSP1     1843

再看一个例子

> AnnotationDbi::select(hugene20sttranscriptcluster.db, ids, c("SYMBOL","MAP"))
'select()' returned 1:many mapping between keys and columns
    PROBEID       SYMBOL     MAP
1  16737401        TRAF6   11p12
2  16657436      DDX11L1 1p36.33
3  16657436 LOC102725121 1p36.33
4  16657436      DDX11L2  2q14.1
5  16657436      DDX11L9 15q26.3
6  16657436     DDX11L10 16p13.3
7  16657436      DDX11L5  9p24.3
8  16657436     DDX11L16    Xq28
9  16657436     DDX11L16    Yq12
10 16678303         ARF1 1q42.13

select的替换=》mapIDs

从上面的例子中可以看到，select的结果存在一些重复，利用mapIDs可以进行控制。但两者的参数还有略微不同：

> select(x, keys, columns, keytype, ...)
> mapIds(x, keys, column, keytype, ..., multiVals)
# 解释columns：the columns or kinds of things that can be retrieved from the database
# 解释keytype：the keytype that matches the keys used.

mapIDs只能指定一个column；必须指定keytype；最后一个multiVals参数是为了控制重复

> mapIds(hugene20sttranscriptcluster.db, ids, "SYMBOL", "PROBEID")
'select()' returned 1:many mapping between keys and columns
 16737401  16657436  16678303 
  "TRAF6" "DDX11L1"    "ARF1"

mapIDs中multiVals 参数的设定

默认使用multiVals = first ，表示遇到重复只取第一个；另外还有list、CharacterList、filter、asNA等

> mapIds(hugene20sttranscriptcluster.db, ids, "SYMBOL", "PROBEID",multiVals = "list")
'select()' returned 1:many mapping between keys and columns
$`16737401`
[1] "TRAF6"

$`16657436`
[1] "DDX11L1"      "LOC102725121" "DDX11L2"      "DDX11L9"     
[5] "DDX11L10"     "DDX11L5"      "DDX11L16"    

$`16678303`
[1] "ARF1"

> mapIds(hugene20sttranscriptcluster.db, ids, "SYMBOL", "PROBEID",multiVals = "CharacterList")
'select()' returned 1:many mapping between keys and columns
CharacterList of length 3
[["16737401"]] TRAF6
[["16657436"]] DDX11L1 LOC102725121 DDX11L2 DDX11L9 DDX11L10 DDX11L5 DDX11L16
[["16678303"]] ARF1

> mapIds(hugene20sttranscriptcluster.db, ids, "SYMBOL", "PROBEID",multiVals = "filter") # 只返回没有重复的结果
'select()' returned 1:many mapping between keys and columns
16737401 16678303 
 "TRAF6"   "ARF1" 

> mapIds(hugene20sttranscriptcluster.db, ids, "SYMBOL", "PROBEID",multiVals = "asNA") #把重复结果标记为NA
'select()' returned 1:many mapping between keys and columns
16737401 16657436 16678303 
 "TRAF6"       NA   "ARF1"

芯片/物种数据库的小练习

芯片注释库以hugene20sttranscriptcluster.db为例；物种注释库以org.Hs.eg.db为例，下面以物种注释库为例：

# What gene symbol corresponds to Entrez Gene ID 1000?
> mapIds(org.Hs.eg.db, "1000", "SYMBOL", "ENTREZID")
'select()' returned 1:1 mapping between keys and columns
  1000 
"CDH2" 

# What is the Ensembl Gene ID for PPARG?
> mapIds(org.Hs.eg.db, "PPARG", "ENTREZID", "SYMBOL")
'select()' returned 1:1 mapping between keys and columns
 PPARG 
"5468" 

# What is the UniProt ID for GAPDH?
> mapIds(org.Hs.eg.db, "GAPDH", "UNIPROT", "SYMBOL")
'select()' returned 1:many mapping between keys and columns
   GAPDH 
"P04406"

最后，看一下之前的探针数据eset有多少探针只比对到一个基因id？又有多少没有比对上基因id？

致谢： 花花有句名言："所有能放在数据框的东西，都难不倒我，不是吹牛！" 于是下面的dplyr的方法就是花花支招

> mpid <- mapIds(hugene20sttranscriptcluster.db, rownames(eset), "ENTREZID", "PROBEID") 
> length(mpid)
[1] 33552

# 只出现一次[方法一：dplyr]
> count(tmp2,mpid,sort = T) %>% filter(n==1) %>% nrow()
[1] 22586
# 只出现一次[方法二：base]
>sum(table(mpid)==1)
[1] 22586

# Don’t map to a gene at all(也就是统计NA值)[方法一：base]
> tmp <- as.data.frame(mpid)
> sum(is.na(tmp$mpid))
[1] 7900

# 另一种统计NA方法[方法二：dplyr]
> count(tmp2,mpid) # 可以从tibble中直接看到NA数量
# A tibble: 23,573 x 2
   mpid          n
   <chr>     <int>
 1 NA         7900

这里我也感悟到，使用tidy data进行数据处理，前期可能比较麻烦，因为需要把数据转成要求的格式，但是后来的结果会比较好处理

TxDb包：包含了位置信息，并且其中的内容可以通过包的名字推断出来

例如：TxDb.Hsapiens.UCSC.hg19.knownGene

其中的字段包含了：人类；UCSC；hg19(GRCh37)；已知基因

类似的还有：TxDb.Dmelanogaster.UCSC.dm3.ensGene；TxDb.Athaliana.BioMart.plantsmart22

> AnnotationDbi::select(TxDb.Hsapiens.UCSC.hg19.knownGene, c("1","10"),
+        c("TXNAME","TXCHROM","TXSTART","TXEND"), "GENEID")
'select()' returned 1:many mapping between keys and columns
  GENEID     TXNAME TXCHROM  TXSTART    TXEND
1      1 uc002qsd.4   chr19 58858172 58864865
2      1 uc002qsf.2   chr19 58859832 58874214
3     10 uc003wyw.1    chr8 18248755 18258723

EnsDb包：与TxDb包相似，但基于Ensembl比对，命名形式比如：EnsDb.Hsapiens.v79； EnsDb.Mmusculus.v79 ；EnsDb.Rnorvegicus.v79

> AnnotationDbi::select(EnsDb.Hsapiens.v86, c("1", "10"),
+        c("GENEID","GENENAME","SEQNAME","GENESEQSTART","GENESEQEND"), "ENTREZID")
  ENTREZID          GENEID GENENAME SEQNAME GENESEQSTART GENESEQEND
1        1 ENSG00000121410     A1BG      19     58345178   58353499
2       10 ENSG00000156006     NAT2       8     18391245   18401218

欢迎关注我们的公众号～_～　　
我们是两个农转生信的小硕，打造生信星球，想让它成为一个不拽术语、通俗易懂的生信知识平台。需要帮助或提出意见请后台留言或发送邮件到jieandze1314@gmail.com

Welcome to our bioinfoplanet!

Bioconductor没想象的那么简单(part2)

前言

ExpressionSet

注释资源

使用AnnoDb包

猜你喜欢

热点阅读