GO 功能注释

文章转载于 Original 2017-06-12 liuhui 生信百科

相似的基因在不同物种中，其功能往往保守的。显然，需要一个统一的术语用于描述这些跨物种的同源基因及其基因产物的功能，否则，不同的实验室对相同的基因的功能的描述不同，将极大限制学术的交流。而 Gene Ontology (GO) 项目正是为了能够使对各种数据库中基因获基因产物功能描述相一致的努力结果。

所谓的 GO，是生物学功能注释的一个标准词汇表术语（GO term），将基因的功能分为三部分：

• 基因执行的分子功能（Molecular Function）

• 基因所处的细胞组分（Cellular Component）

• 基因以及参与的生物学过程（Biological Process）

不同的 GO term 通过有向无环图关联起来，如下图所示：

可以看出，不同的 GO term 间的关系由三类：is_a、part_of 和 regulates。

如 regulation of cell projection assembly 是一种生物学过程，是 regulation of cell projection organization 中的一类（is_a），还调节（regulates）cell projection assembly；又如 cellular component assembly 是 celluar component biogenesis 的一部分（part_of）。值得注意的是，这些关系都是有方向的，即反过来不成立，因而叫做有向无环图。

目前，GO 注释主要有两种方法：

• （1）序列相似性比对（BLAST）

• （2）结构域相似性比对（InterProScan）

这里以序列相似性比对为例，简单介绍 GO 注释的步骤：

将基因序列与 swiss-prot 蛋白质数据库进行 BLAST （blastp 或者 blastx，这篇文章介绍了如何做 BLAST 分析：BLAST 知多少？）比对，得到如下结果：

c49_g1_i1       RNF13_MOUSE     52.00   50      23      1       17      166     240     288     2e-11   65.5

c72_g1_i1       RS25_NEUCR      78.72   94      20      0       375     94      1       94      1e-32   116

c75_g1_i1       POLX_TOBAC      45.28   53      29      0       162     4       457     509     1e-08   55.1

c86_g2_i1       POLX_TOBAC      46.43   112     60      0       339     4       879     990     2e-30   120

c91_g1_i1       BUB1_ARATH      55.71   70      28      2       61      264     289     357     1e-14   73.6

c143_g1_i1      STL1_YEAST      31.98   172     85      4       6       518     407     547     6e-17   82.8

c150_g1_i1      CST26_YEAST     37.63   93      38      3       223     5       142     234     6e-10   58.2

c150_g2_i1      YHOE_SCHPO      42.67   75      41      1       227     3       54      126     5e-16   74.7

c156_g2_i1      EXOL2_ARATH     47.17   53      28      0       299     141     229     281     6e-06   47.0

c169_g1_i1      SPT5_ASPFU      60.98   82      31      1       20      262     725     806     2e-18   84.0

其中，第二列 swiss-prot 蛋白质数据库序列的 ID（UniProtKB ID）。

从 ftp://ftp.pir.georgetown.edu/databases/idmapping 下载 idmapping.tb.gz，该文件共有 22 列（tab 键分割）：

Q6GZX4  001R_FRG3G      2947773 YP_031579.1     81941549; 49237298              PF04947 GO:0006355; GO:0046782; GO:0006351                      UniRef100_Q6GZX4  UniRef90_Q6GZX4 UniRef50_Q6GZX4 UPI00003B0FD4           654924                          15165820        AY548484        AAT09660.1

每一列的含义分别为 （可以看出，许多数据库已经和GO关联了）： 

1. UniProtKB accession

2. UniProtKB ID

3. EntrezGene

4. RefSeq

5. NCBI GI number

6. PDB

7. Pfam

8. GO

9. PIRSF

10. IPI

11. UniRef100

12. UniRef90

13. UniRef50

14. UniParc

15. PIR-PSD accession

16. NCBI taxonomy

17. MIM

18. UniGene

19. Ensembl

20. PubMed ID

21. EMBL/GenBank/DDBJ

22. EMBL protein_id

根据文件 idmapping.tb.gz，将 blast 的结果，通过 UniProtKB ID，将第八列的 GO 号注释到对应的基因上

python UniProt2GO_annotate.py idmapping.tb.gz blastout outputfile

结果如下：

c93619_g2_i1    GO:0005506,GO:0016705,GO:0016021,GO:0004497,GO:0020037

c93619_g2_i3    GO:0009733,GO:0020037,GO:0044550,GO:0016021,GO:0016020,GO:0016711,GO:0009813,GO:0005789,GO:0005506

c70056_g1_i1    GO:0005737,GO:0019722,GO:0071889,GO:0005829,GO:0001077,GO:0006357,GO:0097720,GO:0000978,GO:0046872,GO:0005634,GO:0006874

c93748_g1_i1    GO:0006729,GO:0008124

c107639_g1_i1   GO:0009737,GO:0009738,GO:0005623,GO:0006970,GO:0009651,GO:0045454,GO:0009789

c106424_g1_i1   GO:0043565,GO:0009555,GO:0003700,GO:0005634,GO:0009793,GO:0006351

c66585_g1_i1    GO:0005737,GO:0003746,GO:0003924,GO:0005525

c110618_g1_i8   GO:0015297,GO:0016021,GO:0015238

c105249_g1_i5   GO:0046872,GO:0043161,GO:0005829,GO:0006915,GO:0032648,GO:0050691,GO:0005654,GO:0070936,GO:0061630,GO:0005634

c134727_g1_i1   GO:0072546,GO:0030246,GO:0005783