如何在Ensembl里下载基因SKN1所属物种的基因组和基因组注释文件 ensembl genome

转载

mob64ca140c3859 2024-04-11 13:28:29

文章标签 生物信息学版本号 html 数据库 文章分类 机器学习人工智能

Ensemble ID

Ensemble ID 是Ensembl 数据库使用的ID标识符，用于标识不同的分子特征，如基因，转录本，外显子，蛋白。大多数据库都有一套自己的ID命名。ID 主要是为消除歧义，在特征注释或数据库更新时也能保持一致。不像人为命名的分子名字，如基因名字那样可能发生改变。就类似于我们的身份证号, 名字方便于平常的交流使用，ID是独一无二的。

Ensemble ID 格式

Ensemble ID 个格式是

ENS[物种符号][分子特征][独一无二的11位数字]

ENS[物种符号]

Ensemble ID 基本上是以ENS开头，后接表示物种的符号, ENSMUS: 表示Mus musculus (Mouse)
Homo sapiens 直接以ENS表示
少部分的，以其他开头

分子特征

特征符号	特征
G	gene
T	transcript
E	exon
P	protein
R	regulatory feature
FM	Ensembl protein family
GT	gene tree

根据以上规则，当看到一个Ensemble ID时，我们就可以判断出它来自什么物种，属于什么特征。
比如:

ENSMUSG00000000031: 小鼠基因
ENSMUST00000000031: 小鼠转录本
ENSMUSP00000000031: 小鼠蛋白
ENSG00000000031： 人基因

详细的物种符号表示，可以见：

http://asia.ensembl.org/info/genome/stable_ids/prefixes.html

版本号
通常，我们还会遇到类似这种ENSMUSG00000000031.2 ，id末尾有小数的情况。这是特征的版本号。当ID所表示的特征有变化时，版本号就会增加。版本号增加规则，详见：

http://asia.ensembl.org/info/genome/stable_ids/index.html

Ensemble ID转换

这里介绍三种ID转换的方式

bitr

ID 转换借助Y叔的clusterProfiler中的bitr(Biological Id TRanslator)。

### 安装 clusterProfiler
if (!requireNamespace("BiocManager", quietly = TRUE))
    install.packages("BiocManager")

BiocManager::install("clusterProfiler")

此外还需要对应物种的基因注释包。注释包可以去下面链接找对应物种安装（有20个）：

http://bioconductor.org/packages/release/BiocViews.html#___OrgDb

以小鼠的的为例，安装：

if (!requireNamespace("BiocManager", quietly = TRUE))
    install.packages("BiocManager")

BiocManager::install("org.Mm.eg.db")

下面是代码了

library(clusterProfiler)
library(org.Mm.eg.db)

### 以这3个ID为例
gene.ens.id <- c("ENSMUSG00000028901.1", "ENSMUSG00000051910.2", "ENSMUSG00000051390.3")

## 有版本号，直接转不行的, 这句代码是去除版本号的
gene.ens.id <- gsub("\\..*", "",  gene.ens.id)

gene.symbol <- bitr(geneID = gene.ens.id, 
                    fromType = "ENSEMBL",
                    toType = c("ENTREZID", "SYMBOL", "GENENAME"),
                    OrgDb = org.Mm.eg.db)
---------------------------------------------------------------------------------------------------------
> gene.symbol
             ENSEMBL ENTREZID SYMBOL                                            GENENAME
1 ENSMUSG00000028901    56809  Gmeb1 glucocorticoid modulatory element binding protein 1
2 ENSMUSG00000051910    20679   Sox6                SRY (sex determining region Y)-box 6
3 ENSMUSG00000051390    81630 Zbtb22            zinc finger and BTB domain containing 22

geneID ，需要转换的ID
fromType ，当前ID类型
toType，转换成什么ID
OrgDb, 注释数据库

使用keytypes可以查看注释包的所有 ID 类型。

> keytypes(org.Mm.eg.db)
 [1] "ACCNUM"       "ALIAS"        "ENSEMBL"      "ENSEMBLPROT"  "ENSEMBLTRANS" "ENTREZID"     "ENZYME"       "EVIDENCE"    
 [9] "EVIDENCEALL"  "GENENAME"     "GO"           "GOALL"        "IPI"          "MGI"          "ONTOLOGY"     "ONTOLOGYALL" 
[17] "PATH"         "PFAM"         "PMID"         "PROSITE"      "REFSEQ"       "SYMBOL"       "UNIGENE"      "UNIPROT"

ENSEMBL 是 Ensemble gene ID
ENSEMBLTRANS 是 Ensemble transcript ID
ENSEMBLPROT 是 Ensemble protein ID

select

直接使用AnnotationDbi 注释包的select函数。

library(AnnotationDbi)
library(org.Mm.eg.db)

### 以这5个ID为例， 最后两个，一个是重复id,另一个不存在的id
gene.ens.id <- c("ENSMUSG00000028901.1", "ENSMUSG00000051910.2", "ENSMUSG00000051390.3", "ENSMUSG00000051390.3", "ENSMUSG00000051399.3")


gene.ens.id <- gsub("\\..*", "",  gene.ens.id)

gene.id <- AnnotationDbi::select(org.Mm.eg.db, keytype = "ENSEMBL", keys =  gene.ens.id, columns = c("ENTREZID", "SYMBOL", "GENENAME"))

------------------------------------------------------------------------------------------------------------------
> gene.id
             ENSEMBL ENTREZID SYMBOL                                            GENENAME
1 ENSMUSG00000028901    56809  Gmeb1 glucocorticoid modulatory element binding protein 1
2 ENSMUSG00000051910    20679   Sox6                SRY (sex determining region Y)-box 6
3 ENSMUSG00000051390    81630 Zbtb22            zinc finger and BTB domain containing 22
4 ENSMUSG00000051390    81630 Zbtb22            zinc finger and BTB domain containing 22
5 ENSMUSG00000051399     <NA>   <NA>                                                <NA>

biomaRt 转换

上面两种借助于的AnnotationDb注释包的数据进行的转换，限于版本，可能有些id转换不成功。使用biomaRt 可以获取Ensembl 上更新的数据。也可以直接用带版本号的id进行转换查询

### 先安装
if (!requireNamespace("BiocManager", quietly = TRUE))
    install.packages("BiocManager")

BiocManager::install("biomaRt")

library(biomaRt)

### 设置查询数据库和数据集
ensembl <- useEnsembl(biomart = "genes",   dataset = "mmusculus_gene_ensembl")

数据库和数据集选择

listEnsembl()  # 列出可使用数据库，基因id转换的选择genes                                                                                                                                                                                                                           
##        biomart                version
##1         genes      Ensembl Genes 104
##2 mouse_strains      Mouse strains 104
##3          snps  Ensembl Variation 104
##4    regulation Ensembl Regulation 104

datasets <- listDatasets(ensembl) ##  # 列出数据集，
### 一共200多一点，按照首字母排序的，还是容易找到想要的物种
###，Mouse选择 mmusculus_gene_ensembl
### 人的选择hsapiens_gene_ensembl
head(datasets)

##                        dataset                           description     version
## 1 abrachyrhynchus_gene_ensembl Pink-footed goose genes (ASM259213v1) ASM259213v1
## 2     acalliptera_gene_ensembl      Eastern happy genes (fAstCal1.2)  fAstCal1.2
## 3   acarolinensis_gene_ensembl       Green anole genes (AnoCar2.0v2) AnoCar2.0v2
## 4    acchrysaetos_gene_ensembl       Golden eagle genes (bAquChr1.2)  bAquChr1.2
## 5    acitrinellus_gene_ensembl        Midas cichlid genes (Midas_v5)    Midas_v5
## 6    amelanoleuca_gene_ensembl       Giant panda genes (ASM200744v2) ASM200744v2

查询ID，转换ID

## 小鼠转录本ID为例
mm_tran_id_version <- c("ENSMUST00000192336.2",  "ENSMUST00000192692.2",  "ENSMUST00000191939.2",  "ENSMUST00000156816.7",  "ENSMUST00000045689.14", "ENSMUST00000115538.5")
mm_tran_id <- gsub("\\..*", "", mm_tran_id_version)

mme_gene_anno <- getBM(attributes=c("ensembl_transcript_id","ensembl_gene_id","external_gene_name"),
           filters = "ensembl_transcript_id",
           values = mm_tran_id, mart = ensembl)
mme_gene_anno
--------------------------------------------------------------------------------                                                                                                                                                                                                                    
  ensembl_transcript_id    ensembl_gene_id external_gene_name
1    ENSMUST00000045689 ENSMUSG00000033845             Mrpl15
2    ENSMUST00000115538 ENSMUSG00000033845             Mrpl15
3    ENSMUST00000156816 ENSMUSG00000033845             Mrpl15
4    ENSMUST00000191939 ENSMUSG00000025902              Sox17
5    ENSMUST00000192336 ENSMUSG00000104017            Gm37363
6    ENSMUST00000192692 ENSMUSG00000102331            Gm19938

getBM 参数说明：

attributes 想转换的属性
filters 作为输入的属性，上面就以转录本ID作为属性查询
values 输入的filters属性的值

attributes = listAttributes(ensembl)
attributes[1:5,]
##                            name                  description         page
## 1               ensembl_gene_id               Gene stable ID feature_page
## 2       ensembl_gene_id_version       Gene stable ID version feature_page
## 3         ensembl_transcript_id         Transcript stable ID feature_page
## 4 ensembl_transcript_id_version Transcript stable ID version feature_page
## 5            ensembl_peptide_id            Protein stable ID feature_page

## 以带“version”的属性进行查询，是可以直接用带版本号id进行查询的
mme_gene_anno <- getBM(attributes=c("ensembl_transcript_id_version","ensembl_gene_id","external_gene_name"),
                       filters = "ensembl_transcript_id_version", 
                       values = mm_tran_id_version, mart = ensembl)                                                                                                                                                                                    

mme_gene_anno   
------------------------------------------                                                                                                                                                                                                                        
  ensembl_transcript_id_version    ensembl_gene_id external_gene_name
1         ENSMUST00000045689.14 ENSMUSG00000033845             Mrpl15
2          ENSMUST00000115538.5 ENSMUSG00000033845             Mrpl15
3          ENSMUST00000156816.7 ENSMUSG00000033845             Mrpl15
4          ENSMUST00000191939.2 ENSMUSG00000025902              Sox17
5          ENSMUST00000192336.2 ENSMUSG00000104017            Gm37363

参考

http://asia.ensembl.org/info/genome/stable_ids/index.html http://yulab-smu.top/clusterProfiler-book/chapter5.html#go-over-representation-test
Accessing Ensembl annotation with biomaRt (bioconductor.org)