gene ID 转换工具

昨天对于基因ID转换烦恼了一晚上，差异peak 有些没有注释到基因，对应的位置用NA补上了。

差异peak 对于的基因列表

于是google 找工具。
ID 转换工具
ID工具集合
在线工具 ---对大文件只能粘贴，但是容易破溃

gprofiler-小量的基因ID转换网站推荐这个，速度比较快，但是上万个基因会卡死

于是尝试工具的API 接口，来转换.
(mygene 权哥推荐的,自己尝试了gprofiler)

开始！

1.mygene python API

###Convert gene ID
##python3 接受参数：usage python 脚本名 输入文件 
##refrence https://www.biostars.org/p/22/
##在线工具需要联网
import glob
import pandas as pd
import sys
import mygene
mg = mygene.MyGeneInfo()

A=[]
with open(sys.argv[1],"r") as f:
    for line in f.readlines():
        A.append(line.strip())
##A=A[1:5]
mg = mygene.MyGeneInfo()
B=mg.querymany(A,scopes="ensembltranscript",fields=[ "entrezgene", "symbol","name","alias"],species="human",as_dataframe=True)
B.to_csv(str(sys.argv[1])+".convert.csv")

运行：
for i in *.genelist;do (nohup python gene_convert.py $i &);done

2.gprofiler R包+并行计算

###usage : Rscript 脚本.r input.file output.file
library("gProfileR")
library("dplyr")
library("parallel")  ###并行计算
library ("plyr")
args=commandArgs(T)
input.file<-args[1]
output.file<-args[2]

A=read.table(input.file)
A=head(A$V1,20)
###定义转换ID函数
fun <- function(x){
  T<-gconvert(x, organism = "hsapiens", target="ENTREZGENE", filter_na =F)
  T<-tbl_df(T)#%>%arrange(alias.number)
  return(T)
}
##可用核心数目
cl.cores <- detectCores()
#利用并行计算
cl <- makeCluster(3)  # 初始化四核心集群
clusterEvalQ(cl,library("gProfileR"))
clusterEvalQ(cl,library("dplyr"))
results <- parLapply(cl,A,fun)#调用parLapply并行计算平方函数
df <- ldply (results, data.frame)#整合结果
stopCluster(cl) # 关闭集群
write.table(df,output.file,quote=FALSE,row.names=FALSE,sep=",")

tips:

1.mygene 发现output 行数比我genelis行数多，不知道啥问题。
2.clusterEvalQ(cl,library("gProfileR")) 是将包加载到节点上去，library("parallel") 只能加载基础包。

biomaRt

library(biomaRt)
mart <- useDataset("hsapiens_gene_ensembl", useMart("ensembl"))
genes <- getBM(
     filters="ensembl_gene_id",
     attributes=c("ensembl_gene_id", "entrezgene"),
     values=ensembl.genes,
     mart=mart)

参考：

解决并行找不到包
R 多线程

image.png

list 转换data frame
并行计算R
biostar关于ID转换讨论