|
基因怎么有那么多种类的ID？这个问题着实困扰着很多初学者，就算是有多年GEO、TCGA数据库分析经验的大牛也会被这些问题迷惑，有时候数据下载下来，满心欢喜本以为马上可以得到差异基因，去做后续分析了，打开文件一看眼睛大了，怎么和平时的基因不同，这黑乎乎一大串是个什么东东。 生物数据量之大，大到电脑卡机，一个上G的文本文件，不要轻易用excel去打开，否则你会很伤心的看着电脑屏幕发呆。前人也许没有预料到生物分子学会发展如此迅速，基因数目会如此庞大，最终还是把命名这个问题给搞复杂了，随着生物数据库越来越多，做大做强的数据库开始拥有自己的一套基因命名规则，于是乎，就变成了几大ID共同存在的大杂烩局面。 我们首先来认识一下Ensembl Gene ID，Ensembl Gene ID的命名比较长，也是后起之秀，使用比较广泛，就是这么一串字符：ENSG00000279964，我们可以到ensembl的在线工具直接搜索这个ID，得到的是“Gene: AC009949.1 ENSG00000279964”，解释是这样的：“No overlapping RefSeq annotation found”，很显然这是一个lncRNA也就是非编码的RNA。那么我们就可以看到ENSG00000279964对应的gene symbol ID就是AC009949.1。  gene symbol ID是使用最早，使用最广泛的ID形式 ，一般我们做差异都是要用symbol的矩阵来做，大部分miRNA靶基因预测网站得到的miRNA靶基因也是用symbol ID。可以说，不管数据记录时用的是什么ID，最后出结果，写报告，发表论文，都是公认symbol ID的，所以在看到我们下载的矩阵不是Gene Symbol ID时，我们就要想办法转换成symbol ID。 如果是单个，少量的Ensembl Gene ID需要转换成gene symbol ID，那么直接在ensembl网站一个一个去检索就可以得到结果。然而现实却不是如此的，一个矩阵下来就是4万行，这个数量级的ID要检索，手工当然不现实，当然不服气的可以去试试。 乔帮主说过“编程可以让一个人变得睿智”，这个观点不知道是否正确，但处理生物信息时，脚本给我们带来了福音，只需要把后台数据库下载下来，跑下脚本就可以得到结果。看着输出的结果，就会感到，学习还是有点用啊，至少不要花半年时间去检索。 回到问题本身，需要先到ensembl网站下载相关物种的ID文件，点击“Download”，进入下载页面，点击右边的Download data via FTP，进入FTP下载页面。  进到FTP页面，这里需要选择物种，例如做人，就选择Human后面的GTF文件，进到下载页面，直接下载Homo_sapiens.GRCh38.89.chr.gtf.gz这个文件，这个文件是30多M，解压之后是1个G，有一次感觉生物数据库的庞大。   做好准备工作，就要运行脚本了，在CMD环境下输入命令：perl getsymbol.pl Homo_sapiens.GRCh38.89.chr.gtf.gz sample.txt symbol.txt ，输入命令之后潇洒的按下回车键，就可以放松一下神经，等win10慢慢去跑，当然这个过程也很快，如果还是学习机，那时间就不确定了，等待是漫长的，时间是宝贵的，装备不行的赶紧升级。生物信息的处理，没有一个好机子，寸步难行。  
责任编辑：伏泽 作者申明：本文版权属于生信自学网（微信号：18520221056）未经授权，一律禁止转载！ |
