【原】Bulk RNA-seq | 第3期. 基因ID转换，一键搞定

之前我们探讨了Bulk RNA-seq的价值和学习成本（第1期. 快2024年了，还有必要学习Bulk RNA-seq？），并一起零基础完成了主成分分析（PCA）图（第2期. 零基础画PCA图）。今天我们穿插一个在转录组测序中常用的知识点与技能：不同基因ID的转换。本文将从3个方面分享：有哪些常见的基因ID类型、为什么要进行基因ID转换、如何进行基因ID转换？

一、有哪些常见的基因ID类型

一个具体的基因可以对应多个名字，比如人内皮细胞的maker是CD31，你可能不知道它同时是PECAM1、5175、ENSG00000261371。每个命名都对应这一个命名体系，那么上面的名字分别对应什么命名体系呢？

1. CD31和PECAM1：二者都属于gene symbol，它们属于同一个基因，这就如同我们同时有大名和小名。gene symbol是由人类基因命名委员会（Human Gene Nomenclature Committee, HGNC）指定的基因标识符。

2. 5175：属于Gene ID命名，又称为Entrez ID，这里的Entrez，实际上和我们经常提到的“NCBI数据库”是指一个东西，只不过NCBI是一个组织（美国国家生物技术信息中心），而Entrez是一个生信检索引擎。

3. ENSG00000261371：属于Ensemble ID命名，是欧洲生物信息数据库的基因标识符。Ensemble ID由4个字母和一串数字组成，字母ENSG代表基因，字母ENST代表转录本。总的来说，Ensemble ID的命名规则是：ENS[物种符号][分子特征][独一无二的11位数字]。

其中，分子特征对应的编号如下：

大家可以去NCBI数据库（或者说去Entrez）搜索一下，先进入https://www.ncbi.nlm./,选择Gene数据库，输入CD31。

可以看到不同物种的CD31基因的信息，可以点击第一排（human的信息）。

可以同时看到gene symbol、Gene ID/Entrez ID、Ensemble ID。

二、为什么要进行基因ID转换

不同的命名有着各自的适用场景，比如

1. Gene symbol：包括两种，其中基因亚名如CD31可以让非生信人员快速辨认出这个基因，而正式的gene symbol如PECAM1则可以做基因ID转换和富集分析，以及多个数据集的整合分析。

2. Gene ID或Entrez ID：进行富集分析如GO，KEGG和GSEA。

3. Ensemble ID：往往是为了给一个分子提供一个独一无二的ID，在实践中，基本上是将Ensemble ID转化为其他ID，很少将其他ID转化为 Ensemble ID。

三、如何进行基因ID转换

对于单个的基因，我们可以通过第一部分分享的CD31的例子在NCBI里面检索；但是对于一串基因（如1000个），则需要借助网页工具（如DAVID的ID Conversion Tool，https://david./conversion.jsp）和R语言来实现。今天我们主要分享基于R语言的基因ID批量转换的实现。我们将分别展示基于2种R包的转换方法。

clusterProfiler 包

代码如下：

1.R包的下载及安装

BiocManager::install("clusterProfiler") #没有下载的，需要先下载
library(clusterProfiler) 

2.读取数据

data <- read.csv("./Bulk_RNA_seq_Practice_1.csv",header = T,row.names = 1)

3.提取gene列数据

genes <- row.names(data)

4. 基因ID转换（用到bitr函数）

ids <- bitr (genes, fromType = 'SYMBOL', toType = c('ENTREZID','ENSEMBL'), OrgDb = 'org.Hs.eg.db')

 

综上，基于clusterProfiler包的基因ID转化方法为:

#1.R包的下载及安装（没有下载的，需要先下载）
BiocManager::install("clusterProfiler") #没有下载的，需要先下载
library (org.Hs.eg.db) 
#2.读取数据
data <- read.csv("./Bulk_RNA_seq_Practice_1.csv",header = T,row.names = 1)
#3.提取gene列数据
genes <- row.names(data)
#4. 基因ID转换
ids <- bitr (genes, fromType = 'SYMBOL', toType = c('ENTREZID','ENSEMBL'), OrgDb = 'org.Hs.eg.db')

BiomaRt 包

1.R包的下载及安装

#BiocManager::install("biomaRt")
library("biomaRt")

2.读取数据

data <- read.csv("./Bulk_RNA_seq_Practice_1.csv",header = T,row.names = 1)

3.提取gene列数据

genes <- row.names(data)

4. 基因ID转换

4.1 先加载想要的数据库（biomart）和数据集（dataset）:先listMarts()，后useMart()

（1）如何确定选哪个数据库（biomart）?

 listMarts()

Biomart目前提供了4种数据库，我们将数据库biomart 选定为ENSEMBL_MART_ENSEMBL，且目前对应的版本为Ensembl Genes 110。确定了数据库（以及其版本）之后，还需要确定该数据库中的数据集。

（2）如何确定选哪个数据集（dataset）?

tmp_mart <- useMart(biomart = "ENSEMBL_MART_ENSEMBL",version = "Ensembl Genes 110")
listDatasets(tmp_mart)

ENSEMBL_MART_ENSEMBL数据库中提供了214个物种，我们用的演示数据来源于人，所以选定为hsapiens_gene_ensembl。

4.2 根据选定的数据库（biomart）和数据集（dataset），构建用于转换的数据集: useMart

my_mart <- useMart(biomart = "ENSEMBL_MART_ENSEMBL", dataset = "hsapiens_gene_ensembl")

4.3 基于前面构建的数据集和需要转换的基因ID，实现不同基因ID的转换

gene_id_info<- getBM(attributes=c("ensembl_gene_id","entrezgene_id","hgnc_symbol"),
 filters = "hgnc_symbol", #取决于我们演示数据
 values = genes, #前期提前提取好
 mart= my_mart) #构建的数据库 

综上，基于biomaRt包的基因ID转化方法为：

#1.R包的下载及安装（没有下载的，需要先下载）
#BiocManager::install("biomaRt")
library("biomaRt")
#2.读取数据
data <- read.csv("./Bulk_RNA_seq_Practice_1.csv",header = T,row.names = 1)
#3.提取gene列数据
genes <- row.names(data)
#4. 基因ID转换
my_mart <- useMart(biomart = "ENSEMBL_MART_ENSEMBL", dataset = "hsapiens_gene_ensembl")

gene_id_info<- getBM(attributes=c("ensembl_gene_id","entrezgene_id","hgnc_symbol"),
 filters = "hgnc_symbol", #取决于我们演示数据
 values = genes, #前期提前提取好
 mart= my_mart) #构建的数据库