对于基因芯片Array测序数据，基因是与探针(probe)存在对应关系，而不同平台(platform)的探针与基因对应关系都是不同的。因此在挖掘GEO里的array数据时，需要知道如何注释出这些探针的基因名。
- 目的：提供针对多种情况的GPL平台注释基因探针Probe ID到Symbol基因名的思路。
- 方法：注释探针基因名的方法也很多，本次笔记直接从GEO提供GPL的信息进行相关注释。
- 步骤：（1）下载GPL注释文件；（2）找到Symbol gene名的注释信息。第一步比较简单，直接使用
GEOquery包下载即可，只是第二步会遇到许多特殊情况需要解决(此次笔记都是以人的测序平台为例)
1、下载GPL注释文件
- 以
GPL341为例
library(GEOquery)
GPL=getGEO("GPL341")
anno=GPL@dataTable@table
colnames(anno)
# [1] "ID" "GB_ACC"
# [3] "SPOT_ID" "Species Scientific Name"
# [5] "Annotation Date" "Sequence Type"
# [7] "Sequence Source" "Target Description"
# [9] "Representative Public ID" "Gene Title"
#[11] "Gene Symbol" "ENTREZ_GENE_ID"
#[13] "RefSeq Transcript ID" "Gene Ontology Biological Process"
#[15] "Gene Ontology Cellular Component" "Gene Ontology Molecular Function"
anno[1:4, 1:4]
# ID GB_ACC SPOT_ID Species Scientific Name
#1 1367452_at NM_133594 NA Rattus norvegicus
#2 1367453_at NM_053743 NA Rattus norvegicus
#3 1367454_at NM_021765 NA Rattus norvegicus
#4 1367455_at NM_053864 NA Rattus norvegicus
-
如上GPL注释文件包括两大部分，分别为探针ID信息与其它GPL相关信息。
GPL annotation format
2、找到Symbol gene名的注释信息
2.1 情况一：直接注释有Symbol基因名
- 以
GPL96为例
GPL=getGEO("GPL96")
anno=GPL@dataTable@table
colnames(anno)
#一般probe ID都在第一列
probe2symbol=anno[,c(1,grep("symbol",colnames(anno),ignore.case = T))]
head(probe2symbol)
# ID Gene Symbol
#1 1007_s_at DDR1 /// MIR4640
#2 1053_at RFC2
#3 117_at HSPA6
#4 121_at PAX8
#5 1255_g_at GUCA1A
#6 1294_at MIR5193 /// UBA7
colnames(probe2symbol)=c("ID","Symbol")
- 进一步修饰整理
#去掉未匹配到的情况
probe2symbol=probe2symbol[!(probe2symbol[,2] %in% c("",NA,"---")),]
#针对一个探针匹配到多种gene的情况
tmp=unlist(lapply(1:nrow(probe2symbol),function(i){
gene=trimws(unlist(strsplit(probe2symbol[,2][i],"//*")))
names(gene)=rep(probe2symbol[,1][i],length(gene))
return(gene)
}))
probe2symbol=data.frame(ID=names(tmp),Symbol=tmp)
2.2 情况二：注释有其它格式基因名，再转换为symbol基因名
这种情况需要知道不同格式基因名转换的方法，以下举了两个例子。
（1）提供的是ENTREZ_GENE_ID 格式
- 例如平台
GPL17889
- 利用
org.Hs.eg.db包转换
library(org.Hs.eg.db)
keytypes(org.Hs.eg.db)
org.Hs.eg.db支持的几种常见基因ID
GPL=getGEO("GPL17889")
anno=GPL@dataTable@table
anno[,2]=as.character(anno[,2]) #因为ENTREZID是纯数字组成，需要转为字符型
gene_bridge<-AnnotationDbi::select(org.Hs.eg.db, keys=anno[,2],
columns=c("SYMBOL"), #目标格式
keytype="ENTREZID") #当前格式
probe2symbol=dplyr::left_join(anno, gene_bridge, by=c("ORF"="ENTREZID"))
head(probe2symbol)
# ID ORF SYMBOL
# 1 1_at 1 A1BG
# 2 10_at 10 NAT2
# 3 100_at 100 ADA
# 4 1000_at 1000 CDH2
# 5 10000_at 10000 AKT3
# 6 100009613_at 100009613 LINC02584
probe2symbol=probe2symbol[,-2]
colnames(probe2symbol)=c("ID","Symbol")
（2）提供的是NCBI Accession Number格式
- 例如平台
GPL16686，类似NR_046018、NM_152486、AA972198、BX101169格式
- 同样利用
org.Hs.eg.db包转换
GPL=getGEO("GPL16686")
anno=GPL@dataTable@table
probe2symbol=anno[,c(1,6)]
probe2symbol=probe2symbol[probe2symbol[,2]!="",]
gene_bridge=AnnotationDbi::select(org.Hs.eg.db, keys=probe2symbol[,2],
columns=c("SYMBOL"), #目标格式
keytype="ACCNUM") #当前格式
probe2symbol=dplyr::left_join(probe2symbol,gene_bridge,by=c("GB_ACC"="ACCNUM"))
# ID GB_ACC SYMBOL
# 1 16657436 NR_046018 DDX11L1
# 2 16657450 NR_024368 LINC01000
# 3 16657450 NR_024368 LINC01000
# 4 16657450 NR_024368 LINC01000
# 5 16657476 NR_029406 RPL23AP87
# 6 16657476 NR_029406 RPL23AP87
probe2symbol=probe2symbol[,-2]
colnames(probe2symbol)=c("ID","Symbol")
probe2symbol=probe2symbol[!(probe2symbol[,2] %in% c("",NA,"---")),]
2.3 情况三：gene_assignment的特殊注释
- 例如GPL6244，如下图解释(可以看到也可以是用
GB_list进行基因ID转换)
gene_assignment - 可以看到当一个探针匹配到多个基因时，是用
///分隔；用//分隔同一基因的不同角度注释，其中Symbol ID一般位于第二条信息。需要用一些R语言技巧提取出来。
image.png
GPL=getGEO("GPL6244")
anno=GPL@dataTable@table
anno=anno[anno[,"gene_assignment"]!="---",]
tmp=unlist(lapply(1:nrow(anno),function(i){
tmp1=strsplit(anno[,"gene_assignment"][i],"///") #1个探针对多个基因的拆分
tmp2=unique(trimws(stringr::str_split(unlist(tmp1),"//",simplify = T)[,2])) #提取第二个symbol ID
names(tmp2)=rep(anno[,1][i],length(tmp2))
return(tmp2)
}))
probe2symbol=data.frame(ID=names(tmp),Symbol=tmp)
# ID Symbol
# 1 7896738 OR4G2P
# 2 7896738 OR4G11P
# 3 7896738 OR4G1P
# 4 7896740 OR4F4
# 5 7896740 OR4F17
# 6 7896740 OR4F5
- 以上是我之前遇到注释芯片探针数据几种情况的解决方法，可以保存到专门的文件夹里，方便以后直接使用。
write.csv(probe2symbol, file=paste0("/path/to/GPL_anno/","GPL6244",".csv"), row.names=F)
- 还有很多其它的方式提供探针的注释信息，例如
biomaRt包https://www.biostars.org/p/402677/、生信技能树曾老师写的AnnoProbe包https://cloud.tencent.com/developer/article/1558026、bioconductor提供的注释包https://cloud.tencent.com/developer/article/1054522等，就不一一介绍了~