biomaRt包实现不同物种之间同源基因转换

可能常见的转换是小鼠和人之间的转换，因为小鼠的基因和人的基因的同源性，约80%的小鼠蛋白质在人类基因组中具有严格的1:1种间同源体，其序列同一性通常介于70%~100%。当然跟人类亲缘关系最近的物种是黑猩猩。

好了，我们正式介绍如何把小鼠的gene ID进行同源性映射到人的基因上去？
我们用到的R包是biomaRt包。bioMart包是一个连接bioMart数据库的R语言接口，能通过这个软件包自由连接到bioMart数据库。可以进行各种基因转换。

biomart是Ensembl旗下的一个基因所有类型转换工具。它不止可以进行基因ID的转换。也可以通过数据基因的类型得到基因其他相关信息。比如：基因序列呀，基因类型等等的。biomart有两个版本。一个是网页版。另外一个是R语言的包。

biomaRt包的安装

if (!requireNamespace("BiocManager", quietly = TRUE))
    install.packages("BiocManager")
BiocManager::install("biomaRt", version = "3.8")

一、选择数据库

使用biomaRt包的第一步需要提前设置想要使用的数据库。这一步是通过 useMart来实现的。这个函数的默认参数为

useMart(biomart, dataset, host="www.ensembl.org",
path="/biomart/martservice", port=80, archive=FALSE, ssl.verifypeer =
TRUE, ensemblRedirect = NULL, version, verbose = FALSE)

这个参数主要需要设置的参数是：

Biomart: 要连接的BioMart数据库名称。可以使用listMarts函数可以显示所有的数据库。
一般写"ensembl"

> listMarts()
               biomart                version
1 ENSEMBL_MART_ENSEMBL      Ensembl Genes 103
2   ENSEMBL_MART_MOUSE      Mouse strains 103
3     ENSEMBL_MART_SNP  Ensembl Variation 103
4 ENSEMBL_MART_FUNCGEN Ensembl Regulation 103

dataset：进一步选择上一个数据库里面的子数据集：所有可以使用的参数可以通过 listDatasets函数来查看。使用方法是：

mart = useMart(’ensembl’)  ###制定选择的数据库
listDatasets(mart)  ###查看biomaRt支持ID转换的物种

如果在所有的子集里面一个一个的查找很麻烦的话。我们也可以使用 searchDatasets函数来查找自己中，含有我们想要的关键词的具体类型是什么。PS：这个函数支持正则表达式。

查找人类的数据库:

searchDatasets(mart = ensembl, pattern = "hsapiens")
                 dataset              description    version
58 hsapiens_gene_ensembl Human genes (GRCh38.p12) GRCh38.p12

这样在我知道想要使用的数据库和数据子集。就可以这样构建

  human <- useMart('ensembl',dataset = "hsapiens_gene_ensembl")
  mouse <- useMart('ensembl',dataset = "mmusculus_gene_ensembl")
  rat <- useMart('ensembl',dataset = "rnorvegicus_gene_ensembl")

二、选择需要输入和输出的类型

在我们选择好数据库之后，需要通过get*函数来得到我们想要的结果。这个时候我们就需要选择输入的数据类型以及我们想要输出的数据类型。以确保得到我们想要的结果。我们可以通过listFilters得到所有的输入结果；listAttributes得到所有的输出结果。同样的我们可以通过 searchFilters和 searchAttributes定向的搜索想要结果的关键词。

###输入结果
listFilters(ensembl)[1:5,]
             name              description
1 chromosome_name Chromosome/scaffold name
2           start                    Start
3             end                      End
4      band_start               Band Start
5        band_end                 Band End
###定向检索输入结果
searchFilters(mart = ensembl, 'entrez|hgnc')
                         name                                      description
17 with_entrezgene_trans_name            With EntrezGene transcript name ID(s)
23                  with_hgnc                           With HGNC Symbol ID(s)
24       with_hgnc_trans_name                  With HGNC transcript name ID(s)
34            with_entrezgene                             With NCBI gene ID(s)
70      entrezgene_trans_name EntrezGene transcript name ID(s) [e.g. AA06-201]
76                    hgnc_id                       HGNC ID(s) [e.g. HGNC:100]
77                hgnc_symbol                       HGNC symbol(s) [e.g. A1BG]
78            hgnc_trans_name       HGNC transcript name ID(s) [e.g. A1BG-201]
89                 entrezgene                         NCBI gene ID(s) [e.g. 1]
###输出结果
listAttributes(ensembl)[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

三、单个物种的名称转换（getBM）

这个函数是最主要的函数。通过设定输入的类型和输出的类型。再指定输入的具体值。就可以得到具体的结果了。函数的主要参数包括：

 getBM(attributes, filters = "", values = "", mart, curl = NULL,
    checkFilters = TRUE, verbose = FALSE, uniqueRows = TRUE, bmHeader = FALSE,
    quote = "\"")

filters标明输入的数据类型，attributes指出输出的数据列。
例如：

### 根据entrez ID号来找
entrzID=c("672","1") ##定义entrez ID
getBM(attributes=c("entrezgene","external_gene_name","gene_biotype"), filters = "ensembl_gene_id_version", values =entrzID, mart=human,uniqueRows=TRUE)
### 通过染色体及起始终止坐标来挑选基因
getBM(c('affy_hg_u133_plus_2','ensembl_gene_id'), filters = c('chromosome_name','start','end'), values=list(16,1100000,1250000), mart=human)
###根据染色体位置(6p21.1)查找所有位于其上的基因
getBM(c('entrezgene','hgnc_symbol', 'transcript_biotype', 'chromosome_name','start_position','end_position', 'band'), filters = c('chromosome_name','band_start','band_end'), values=list(6,'p21.1','p21.1'), mart=human)

四、不同物种的名称匹配（getLDS）

getLDS函数是biomaRt查询的主要功能，连接两个数据集，并从这些链接的biomaRt数据集检索信息。在Ensembl中，这转化为同源映射。
我这里有一串小鼠基因。mouse.gene

image.png

将其映射到人的基因上。

m2h.g <- getLDS(attributes = c("mgi_symbol"),filters = "mgi_symbol",
       values = mouse.gene,mart = mouse,
       attributesL = c("ensembl_gene_id","hgnc_symbol","chromosome_name","start_position"),
       martL = human,uniqueRows = T)

attributes：属性参数：代表我们所要检索的数据集的属性参数，比如这里我们用的是mgi_symbol，代表的就是小鼠的基因的symbol名字。可以使用listAttributes函数检索可能的属性列表。
filter：参数过滤器，应在查询中使用的过滤器。这些过滤器将应用于主数据集。可以使用函数listFilters检索可能的过滤器列表。
value：代表我们想要输入的数据集，就是输入我们构造的要查询的向量。
mart ：指的是输入数据的mart对象，由于输入数据是小鼠的基因，自然选择的mart对象为小鼠。
attributesL：代表的是我们需要同源转化的另外一个数据库，这里我们自然是由小鼠转为人，选择的就是需要连接到的人的Mart对象，在属性参数里面我们填写了三个参数，分别是gene_symbol ,染色体位置，基因起始位点。
useMartL：参数是代表我们需要链接的Mart对象，这里自然就是人的。

我们查看一下结果：

> head(m2h.g)
  MGI.symbol HGNC.symbol Chromosome.scaffold.name Gene.start..bp.
1     mt-Nd1      MT-ND1                       MT            3307
2     Ube2j2      UBE2J2                        1         1253909
3   Aurkaip1    AURKAIP1                        1         1373730
4     mt-Nd5      MT-ND5                       MT           12337
5       Agrn        AGRN                        1         1020120
6     mt-Co3      MT-CO3                       MT            9207

这样我们就完成了转换。可以看的出来，人的基因和小鼠的基因名称就是大小写的区别（大多数，不是全部）。

五、获得序列信息

除了可以得到基因类型的转换。也可以通过biomaRt得到相对应位置或者ID的基因序列。这个可以通过 getSequence得到序列结果。然后可以通过 exportFASTA导出fa格式的结果。

其中getSequence: 主要参数包括

getSequence(chromosome, start, end, id, type, seqType,
                       upstream, downstream, mart, verbose = FALSE)

type:输入的类型。主要的选项可以是 hugo, ensembl, embl, entrez-gene, refseq, ensemblTrans and unigene。更多的关- 于type的选项。也是可以在 listFilter函数中得到的
seqType：包括的主要选项有：
’cdna’: for nucleotide sequences
’peptide’: for protein sequences
’3utr’: for 3’ UTR sequences
’5utr’: for 5’ UTR sequences
’gene_exon’: for exon sequences only
’transcript_exon_intron’: gives the full unspliced transcript, that is exons + introns
’gene_exon_intron’ gives the exons + introns of a gene;’coding’ gives the coding sequence only
’coding_transcript_flank’: gives the flanking region of the transcript including the UTRs, this must be accompanied with a given value for the upstream or downstream attribute
’coding_gene_flank’: gives the flanking region of the gene including the UTRs, this must be accompanied with a given value for the upstream or downstream attribute
’transcript_flank’: gives the flanking region of the transcript exculding the UTRs, this must be accompanied with a given value for the upstream or downstream attribute
’gene_flank’: gives the flanking region of the gene excluding the UTRs, this must be accom- panied with a given value for the upstream or downstream attribute
例如：

  mart <- useMart("ensembl", dataset="hsapiens_gene_ensembl")
  seq = getSequence(id = "BRCA1",
                      type = "hgnc_symbol",
                      seqType = "peptide",
                      mart = mart)
show(seq)
exportFASTA(seq,file="test.fasta")

转载参考来自：

作者xhog：基因类型转换R包使用
biomaRt包实现不同物种之间同源基因转换