R语言小记3：ENSG和基因symbol间的名称转换

0. 数据准备（加载自己需要转换的数据）

Data <- read.table("GSE197543/GSE197543_UMIsMatrix.txt", header = T) head(row.names(Data)) ## [1] "ENSG00000225972" "ENSG00000225630" "ENSG00000237973" "ENSG00000248527" "ENSG00000237491" "ENSG00000228794"

1. 使用其他R包"AnnotationDbi"和"org.Hs.eg.db"

# 加载需要的包 library(AnnotationDbi) library(org.Hs.eg.db) # 进行转换 gene_symbols <- select(org.Hs.eg.db, keys = row.names(Data), columns = "SYMBOL", keytype = "ENSEMBL") ## 'select()' returned 1:many mapping between keys and columns

ꔷ 发现存在一个ENSG（Ensembl基因ID）可能对应多个基因符号（gene symbols），这通常是由于以下几个原因：
1）基因的异构体：同一基因可能产生多个转录本，每个转录本有不同的基因符号
2）基因重命名：基因符号可能会随时间的推移而变化，特别是在注释版本更新时
3）基因家族：某些基因可能属于同一基因家族，导致多个基因符号被标记为相同的ENSG

# 计算每个值的频次 freq_table <- table(gene_symbols$ENSEMBL) # 提取频次大于1的值 duplicate_values <- names(freq_table[freq_table > 1]) # 取出重复行 duplicates <- gene_symbols[gene_symbols$ENSEMBL %in% duplicate_values, ]


ENSG-1

2. 从Ensembl下载GTF文件自行转换

2.1 GTF文件的下载（网页端或服务器端）

1）打开浏览器，访问 Ensembl数据库. 选择物种：Human
2）在物种页面，找到"Gene annotation"版面，通常在页面的右侧，点击Download GTF or GFF3
3）在下载页面，查找"GTF"格式的文件，选择最新版本下载。这里下载"Homo_sapiens.GRCh38.113.gtf.gz"

# 也可在服务器端直接进行下载 $ wget https://ftp.ensembl.org/pub/release-113/gtf/homo_sapiens/Homo_sapiens.GRCh38.113.gtf.gz

2.2 数据的提取及整合

# 加载需要的包 library(rtracklayer) # 读取GTF文件 gtf_data <- import("/data/shumin/GBM/GSE197543/Homo_sapiens.GRCh38.113.gtf.gz") # 查看数据结构 head(gtf_data) ## GRanges object with 6 ranges and 22 metadata columns: ## seqnames ranges strand | source type score phase gene_id gene_version gene_name gene_source gene_biotype transcript_id transcript_version transcript_name transcript_source transcript_biotype ## <Rle> <IRanges> <Rle> | <factor> <factor> <numeric> <integer> <character> <character> <character> <character> <character> <character> <character> <character> <character> <character> ## [1] 1 3069168-3438621 + | ensembl_havana gene NA <NA> ENSG00000142611 17 PRDM16 ensembl_havana protein_coding <NA> <NA> <NA> <NA> <NA> ## [2] 1 3069168-3434342 + | havana transcript NA <NA> ENSG00000142611 17 PRDM16 ensembl_havana protein_coding ENST00000511072 5 PRDM16-206 havana protein_coding ## [3] 1 3069168-3069296 + | havana exon NA <NA> ENSG00000142611 17 PRDM16 ensembl_havana protein_coding ENST00000511072 5 PRDM16-206 havana protein_coding ## [4] 1 3069260-3069296 + | havana CDS NA 0 ENSG00000142611 17 PRDM16 ensembl_havana protein_coding ENST00000511072 5 PRDM16-206 havana protein_coding ## [5] 1 3069260-3069262 + | havana start_codon NA 0 ENSG00000142611 17 PRDM16 ensembl_havana protein_coding ENST00000511072 5 PRDM16-206 havana protein_coding ## [6] 1 3186125-3186474 + | havana exon NA <NA> ENSG00000142611 17 PRDM16 ensembl_havana protein_coding ENST00000511072 5 PRDM16-206 havana protein_coding ## tag transcript_support_level exon_number exon_id exon_version protein_id protein_version ccds_id ## <character> <character> <character> <character> <character> <character> <character> <character> ## [1] <NA> <NA> <NA> <NA> <NA> <NA> <NA> <NA> ## [2] gencode_primary 5 <NA> <NA> <NA> <NA> <NA> <NA> ## [3] gencode_primary 5 1 ENSE00002048533 1 <NA> <NA> <NA> ## [4] gencode_primary 5 1 <NA> <NA> ENSP00000426975 1 <NA> ## [5] gencode_primary 5 1 <NA> <NA> <NA> <NA> <NA> ## [6] gencode_primary 5 2 ENSE00001754112 1 <NA> <NA> <NA> ## ------- ## seqinfo: 70 sequences from an unspecified genome; no seqlengths # 提取ENSG ID和基因符号 gene_info <- data.frame( ensembl_gene_id = gtf_data$gene_id, gene_symbol = gtf_data$gene_name ) # 去重（如果有重复项） gene_info <- unique(gene_info) # 查看结果 head(gene_info) ## ensembl_gene_id gene_symbol ## 1 ENSG00000142611 PRDM16 ## 221 ENSG00000284616 <NA> ## 227 ENSG00000157911 PEX10 ## 347 ENSG00000260972 <NA> ## 350 ENSG00000224340 RPL21P21 ## 353 ENSG00000229280 EEF1DP6

ꔷ 发现存在多个ENSG（Ensembl基因ID）可能对应一个基因符号（gene symbols），猜测原因：
1）基因重叠和融合：一些基因在基因组上可能会相互重叠，或者通过基因融合事件而形成新的基因。在这种情况下，新的基因可能会共享相同的基因符号。
2）转录本的多样性：基因可以产生多个转录本，这些转录本可能在功能上有不同的角色。尽管它们共享相同的基因符号，但在不同的情况下可能会被分配到不同的ENSG ID。
3）基因家族：某些基因可能属于同一基因家族，可能共享相同的基因符号。

# 计算每个值的频次 freq_table_2 <- table(gene_info$SYMBOL) # 提取频次大于1的值 duplicate_values_2 <- names(freq_table_2[freq_table_2 > 1]) # 取出重复行 duplicates_2 <- gene_info[gene_info$SYMBOL %in% duplicate_values_2, ]


ENSG-2