#TCGA系列#使用HGNC数据库对miRNA名称ID进行转换

上期 我们已经从GTEx下载提取了Liver的119个样本的表达谱文件，本期转换miRNA　ID并将TCGA的样本与GTEx的进行合并.
PS:文末有福利.

我们已经得到的GTEx的表达谱文件部分内容如下：

而我们之前得到的TCGA的表达谱格式是这样的：

为了使两个数据库的ID对应起来，我们得找名称对应关系才行．这个可以在 人类基因命名委员会（HGNC） （http://www.genenames.org）　找到．这个库包含了人类基因所有的命名，别名和ID，可以说是天下命名，无出其右．

可以直接在下载页面　（http://www.genenames.org/cgi-bin/statistics）　底部下载所有的命名关系的一个大表，但这次我们只需要处理miRNA的ID转换，那只下载miRNA的就行：

下载txt格式的文件后打开是这样的：

上色的三列是本次ID转换我们所需要的，我们将根据上面这个表把 GTEx的symbol 和 ensemble ID 转为和GTEx中的 alias ，但我们仔细看HGNC中的 ensembel_gene_id 与GTEx里的有点不同,GTEx里的每个ID后面还有 小数点 ,而HGNC的并没有,这是由于ensemble版本造成的,只需看小数点前面的ID就可以了, 小数点前面ID的一致就是同一个miRNA .这个问题也会在TCGA基因表达谱ID转换时出现,同理只需管小数点前面的ID就可以了.

Ｒ实现转ID的过程比较方便，Ｒ代码如下：

# 转ID:

rm(list=ls())
library(data.table)
library(stringr)
# GTEx的liver表达谱路径：

GTEx_liver_path"./GTEx_Analysis_v6p_RNA_Liver2.tsv"

# 读入表达谱文件：
GTEx_reads"\t",header =T)
# 重命名:
names(GTEx_reads)[1:2]"ensembl_gene_id","symbol")
# 去掉ensemble小数点:
GTEx_reads[,ensembl_gene_id:=str_split_fixed(GTEx_reads$ensembl_gene_id,"[.]",2)[,1]]
# HGNC下载miRNA表达谱文件路径:
HGNC_mir_path"../HGNC/RNA_micro.txt"
HGNC_mir"\t",header =T)
# 提取HGNC_mir中需要的3列:
HGNC_mir"ensembl_gene_id","symbol","alias_symbol")]

上面的代码完成了读入文件和统一列名和去除GTEx ensemb_gene_id 中的小数点.但在合并时我们有三种选择:

# 只匹配ensembl_gene_id进行合并:
GTEx_reads_merged_id"ensembl_gene_id"))
# 只匹配symbol进行合并:
GTEx_reads_merged_symbol"symbol"))
# 匹配ensembl_gene_id和symbol进行合并:
GTEx_reads_merged_both"ensembl_gene_id","symbol"))

1. 只匹配 ensembl_gene_id 进行合并;

2. 只匹配 symbol 进行合并;

3. 匹配 ensembl_gene_id 和 symbol 进行合并;

三种方法都尝试了下发现差异很大:

# 提取三次合并结果:
a1# 1172条
a2# 1249条
a3# 1113条

结果发现通过两个条件( ensemb_gene_id 和 symbol )合并得到的结果最少( 1113条 ),只通过 symbol 得到的最多( 1249 条).但不管是 1113 还是 1249 条,都远少于miRNA总数 1881 ,ID转换率低于 66.4% .我搜了几条发现这应该是由于 版本差异 导致的.GTE应该用的是 GRCh37.p13 ,而HGNC上面是最新版的 GRCh38.p10 .我们通过一个两个例子来说明.

同一个ensemble ID: ENSG00000211563 在不同版本 gencode 的结果 :

同一个 miRNA hsa-mir-338 在不同版本 gencode 的结果 :

可以看出同一个 ensembl_gene_id 在三个不同版本的 Gencode 所对应的Symbol中都是不一样的,而同一个 Symblol 在不同版本的 Gencode 中的 Ensembl_gene_id 也不同.

但还是可以发现: HGNC 与最新的 Gencode 保持一致,而 GTEx 与 Gencode_v19 版本保持一致,也就是说,ID转换率低是由于新旧版本不匹配导致的,如果要在新旧版本间选个标准,最好还是选择新版本,因为新旧版本的差异是由于新版本对就版的更正所导致的.也就是说新版本对”基因”的注释更加准确,但转换率会比较低.