Ensemble ID及转换
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。
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
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 IDENSEMBLTRANS是 Ensemble transcript IDENSEMBLPROT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, 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)
`
