需求描述
随着网上数据库的增多，我们在做科研的时候，经常可以通过数据库来对对研究点进行提前的预测。但是数据库应该怎么寻找呢？
设计思路
由于数据库的建立也会伴随着发表一篇类似的文章来介绍数据库。因此我们可以通过pubmed来检索相关发表的数据库，再提取相关数据库信息即可。
数据操作
检索表达式的构建
由于所有网络数据库都是网页形式的，另外在发表文章的时候，肯定都会附数据库的具体网址，因此我们只需要检索网址的特殊关键词，同时再加想要检索的关键词即可。同时，一般数据库的文章在摘要当中就会提到数据库的网址，所以我们检索范围放到摘要上会更加准确一些。这样的话，我们要检索和m6A相关的数据库的话，那么检索方就是：
term <- "(https|http|ftp|file[Title/xx zAbstract]) AND m6A[Title/Abstract]"
其中https|http|ftp|file代表网址的固定开头格式。m6A则是我们想要检索的相关数据库
数据检索
我们使用rentrez来抓取m6A数据库相关的信息。 其中通过
library(rentrez)
## 获取相关检索式的结果，返回最多100个结果
pmid <- entrez_search(db = "pubmed", term = term, retmax = 100)
## 检索到相关文章的信息
pub_sum <- entrez_summary(db = "pubmed", id = pmid$ids)
## 提取我们想要的信息。我们这里提取pubmid, 发表日期，文章题目，杂志名称以及被引次数
extract_pub <- extract_from_esummary(pub_sum,
c("uid", ## pembmed id
"pubdate", #发表日期
"title", #文章题目
"source", # 杂志简写
"pmcrefcount"#被引次数
))
## 转换成data.frame
result <- data.frame(t(extract_pub))
head(result)
## uid pubdate
## 31624092 31624092 2019 Oct 17
## 31510685 31510685 2019 Jul 15
## 31504168 31504168 2019 Aug 28
## 31147718 31147718 2019 Jul 2
## 30993345 30993345 2019 Apr 23
## 30598068 30598068 2018 Dec 31
## title
## 31624092 Direct RNA sequencing enables m6A detection in endogenous transcript isoforms at base specific resolution.
## 31510685 FunDMDeep-m6A: identification and prioritization of functional differential m6A methylation genes.
## 31504168 CROSSalive: a web server for predicting the in vivo structure of RNA molecules.
## 31147718 RNAmod: an integrated system for the annotation of mRNA modifications.
## 30993345 WHISTLE: a high-accuracy map of the human N6-methyladenosine (m6A) epitranscriptome predicted using a machine learning approach.
## 30598068 DeepM6ASeq: prediction and characterization of m6A-containing sequences using deep learning.
## source pmcrefcount
## 31624092 RNA
## 31510685 Bioinformatics
## 31504168 Bioinformatics
## 31147718 Nucleic Acids Res
## 30993345 Nucleic Acids Res 3
## 30598068 BMC Bioinformatics 2
进一步精简
通过对于结果的查看，我们发现虽然通过网址关键词来限定检索条件了，其实很多数据库相关的文章都是以数据库名：来开头的。虽然这样可能会丢掉一些不舒服这个原则的数据库，但是也是一种精简的办法。
## 提取含有:为标题的文章。
NewDatIndex <- stringr::str_detect(result$title, ":")
result1 <- result[NewDatIndex,]
### 把文章的题目替换成数据库名称
result1$title <- stringr::str_extract(result1$title, ".+?(?=:)")
result1
## uid pubdate title source
## 31510685 31510685 2019 Jul 15 FunDMDeep-m6A Bioinformatics
## 31504168 31504168 2019 Aug 28 CROSSalive Bioinformatics
## 31147718 31147718 2019 Jul 2 RNAmod Nucleic Acids Res
## 30993345 30993345 2019 Apr 23 WHISTLE Nucleic Acids Res
## 30598068 30598068 2018 Dec 31 DeepM6ASeq BMC Bioinformatics
## 30416381 30416381 2018 BERMP Int J Biol Sci
## 30201554 30201554 2018 Nov 15 iRNA(m6A)-PseDNC Anal Biochem
## 29880878 29880878 2018 Aug Publisher Correction Nat Neurosci
## 29850798 29850798 2018 Nov 1 PEA Bioinformatics
## 29340952 29340952 2018 Feb RFAthM6A Plant Mol Biol
## 29126312 29126312 2018 Jan 4 MeT-DB V2.0 Nucleic Acids Res
## 29040692 29040692 2018 Jan 4 RMBase v2.0 Nucleic Acids Res
## 29036329 29036329 2018 Jan 4 m6AVar Nucleic Acids Res
## 28724534 28724534 2017 Oct m6aViewer RNA
## 27723837 27723837 2016 RNAMethPre PLoS One
## 26896799 26896799 2016 Jun 2 SRAMP Nucleic Acids Res
## pmcrefcount
## 31510685
## 31504168
## 31147718
## 30993345 3
## 30598068 2
## 30416381 1
## 30201554 9
## 29880878 1
## 29850798 2
## 29340952 5
## 29126312 18
## 29040692 19
## 29036329 9
## 28724534 3
## 27723837 6
## 26896799 41
PS:
通过查看结果，我们看到有一个结果叫做Publisher Correction这个和m6A数据库好像没有关系，所以这一步的精简还是需要修改的呀。
提取数据库文章
数据库在摘要当中都会提供他们的数据库网址。因此我们可以通过摘要的内容来提取数据库的网址即可。
PS：关于正则表达式匹配相关的网址，使用的是别人总结好的代码
DatUrl <- sapply(result1$uid, function(x){
pub_ab <- entrez_fetch(db = "pubmed", id = x, rettype = "abstract")
stringr::str_extract(pub_ab, "(https?|ftp|file)://[-A-Za-z0-9+&@#/%?=~_|!:,.;()]+[-A-Za-z0-9+&@#/%=~_|]")
})
PS：有时候摘要里面会包括多个网址，但是基本上都会指向同一个网址，所以我们只取其中一个即可。
整合结果
result1$URL <- DatUrl
result1
## uid pubdate title source
## 31510685 31510685 2019 Jul 15 FunDMDeep-m6A Bioinformatics
## 31504168 31504168 2019 Aug 28 CROSSalive Bioinformatics
## 31147718 31147718 2019 Jul 2 RNAmod Nucleic Acids Res
## 30993345 30993345 2019 Apr 23 WHISTLE Nucleic Acids Res
## 30598068 30598068 2018 Dec 31 DeepM6ASeq BMC Bioinformatics
## 30416381 30416381 2018 BERMP Int J Biol Sci
## 30201554 30201554 2018 Nov 15 iRNA(m6A)-PseDNC Anal Biochem
## 29880878 29880878 2018 Aug Publisher Correction Nat Neurosci
## 29850798 29850798 2018 Nov 1 PEA Bioinformatics
## 29340952 29340952 2018 Feb RFAthM6A Plant Mol Biol
## 29126312 29126312 2018 Jan 4 MeT-DB V2.0 Nucleic Acids Res
## 29040692 29040692 2018 Jan 4 RMBase v2.0 Nucleic Acids Res
## 29036329 29036329 2018 Jan 4 m6AVar Nucleic Acids Res
## 28724534 28724534 2017 Oct m6aViewer RNA
## 27723837 27723837 2016 RNAMethPre PLoS One
## 26896799 26896799 2016 Jun 2 SRAMP Nucleic Acids Res
## pmcrefcount
## 31510685
## 31504168
## 31147718
## 30993345 3
## 30598068 2
## 30416381 1
## 30201554 9
## 29880878 1
## 29850798 2
## 29340952 5
## 29126312 18
## 29040692 19
## 29036329 9
## 28724534 3
## 27723837 6
## 26896799 41
## URL
## 31510685 https://github.com/NWPU-903PR/DMDeepm6A1.0
## 31504168 http://service.tartaglialab.com/new_submission/crossalive
## 31147718 https://bioinformatics.sc.cn/RNAmod
## 30993345 http://whistle-epitranscriptome.com
## 30598068 https://github.com/rreybeyb/DeepM6ASeq
## 30416381 http://www.bioinfogo.org/bermp
## 30201554 http://lin-group.cn/server/iRNA(m6A)-PseDNC.php
## 29880878 https://www.southernbiotech.com/?catno=4030-05&type=Polyclonal#&panel1-1
## 29850798 https://hub.docker.com/r/malab/pea
## 29340952 https://github.com/nongdaxiaofeng/RFAthM6A
## 29126312 http://compgenomics.utsa.edu/MeTDB/
## 29040692 http://rna.sysu.edu.cn/rmbase/
## 29036329 http://m6avar.renlab.org
## 28724534 http://dna2.leeds.ac.uk/m6a
## 27723837 http://bioinfo.tsinghua.edu.cn/RNAMethPre/index.html
## 26896799 http://www.cuilab.cn/sramp/
至此，我们找到了16个和m6A相关的数据库。下一篇我们将对这16个数据库进行总结
关于数据库的具体介绍可见：[m6A|数据库] m6A数据库总结(下)