Bioconductor系列之biomaRt

BiomaRt是一个超级网络资源库，里面的信息非常之多，就是网页版的biomaRt的R语言接口。谷歌搜索 the biomart user’s guide filetype:pdf 这个关键词，就看到关于这个包的详细介绍以及例子，我这里简单总结一下它的用法。

包的安装

用BiocManager来安装，R的版本为3.5.1

install.packages("BiocManager")
BiocManager::install("biomaRt")

选择数据库

然后我们就可以加载这个包来看看它的一些性质啦，大家也可以根据这个包的说明书里面的代码一行行代码敲进去看看效果，这样学习最快也最容易记住。

library("biomaRt")
listMarts()  #看看有多少数据库资源
ensembl=useMart("ensembl")
listDatasets(ensembl) #看看选择的数据库里面有多少数据表，这个跟物种相关
ensembl = useDataset("hsapiens_gene_ensembl",mart=ensembl)
ensembl = useMart("ensembl",dataset="hsapiens_gene_ensembl")
# 这是一步法选择人类的ensembl数据库代码。

三个主要函数getBM,getSequence,getLDS

我们选择好了数据库就要开始干活啦.
这个数据库的检索主要是三个函数getBM,getSequence,getLDS.
其中getBM这个函数可以部分用select语句替代。

首先我们讲讲getBM函数，它就四个参数。
getBM函数唯一的用处，就是做各种ID转换。

• filter来控制根据什么东西来过滤，可是不同数据库的ID，也可以是染色体定位系统坐标
• Attributes来控制我们想获得什么，一般是不同数据库的ID
• Values是我们用来检索的关键词向量
• Mart是我们前面选择好的数据库，一般都是

  ensembl = useMart(“ensembl”,dataset=”hsapiens_gene_ensembl”)
  

几个实用的例子

例．对几个基因symbol，注释它对应的EnsembleID和ENTREZID

getBM(attributes = c("hgnc_symbol", "ensembl_gene_id", "entrezgene"), 
      filters = "hgnc_symbol",
      values = symbol_id,
      mart = ensemble) # 前面选好的的数据库

input：gene symbol
output： gene symbol；ensembl_gene_id；entrezgene

一．对几个芯片探针的ID号，注释它所捕获的基因的ENTREZID

ensembl = useMart("ensembl",dataset="hsapiens_gene_ensembl")
affyids=c("202763_at","209310_s_at","207500_at")
getBM(attributes=c('affy_hg_u133_plus_2', 'entrezgene'), filters = 'affy_hg_u133_plus_2', values = affyids, mart = ensembl)

结果如下：

affy_hg_u133_plus_2 entrezgene
1 202763_at 836
2 207500_at 838
3 209310_s_at 837

二．对刚才的那三个探针ID号进行多个内容注释，每个探针都对应着基因名已经染色体及起始终止坐标。

affyids=c("202763_at","209310_s_at","207500_at")
getBM(attributes=c('affy_hg_u133_plus_2', 'hgnc_symbol','chromosome_name','start_position','end_position', 'band'),
	filters = 'affy_hg_u133_plus_2', values = affyids, mart = ensembl)

结果如下：

affy_hg_u133_plus_2 hgnc_symbol chromosome_name start_position end_position band
1 202763_at CASP3 4 184627696 184649509 q35.1
2 207500_at CASP5 11 104994235 105023168 q22.3
3 209310_s_at CASP4 11 104942866 104969436 q22.3

三．对给定的基因ID号进行GO注释

library("biomaRt")
ensembl = useMart("ensembl",dataset="hsapiens_gene_ensembl")
entrez=c("673","837")
goids = getBM(attributes=c('entrezgene','go_id'), filters='entrezgene', values=entrez, mart=ensembl)
head(goids)

entrezgene go_id
1 673 GO:0004674
2 673 GO:0005524
3 673 GO:0006468
4 673 GO:0006464
5 673 GO:0008150
6 673 GO:0003674

四．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=ensembl)

affy_hg_u133_plus_2 ensembl_gene_id
1 ENSG00000260702
2 215502_at ENSG00000260532
3 ENSG00000273551
4 205845_at ENSG00000196557
5 ENSG00000196557
6 ENSG00000260403
7 ENSG00000259910
8 ENSG00000261294
9 220339_s_at ENSG00000116176
10 ENSG00000277010

五．对特定的GO ID号来查询该GO通路上面的基因是哪些。

getBM(c('entrezgene','hgnc_symbol'), filters='go_id', values='GO:0004707', mart=ensembl)

entrezgene hgnc_symbol
1 5596 MAPK4
2 225689 MAPK15
3 5601 MAPK9
4 6300 MAPK12
5 5594 MAPK1

六．根据REFSEQ数据库的NM系列ID号来获取信息

refseqids = c("NM_005359","NM_000546")
ipro = getBM(attributes=c("refseq_mrna","interpro","interpro_description"), filters="refseq_mrna",values=refseqids, mart=ensembl)
ipro

refseq_mrna interpro interpro_description
1 NM_000546 IPR011615 p53, DNA-binding domain
2 NM_000546 IPR010991 p53, tetramerisation domain
3 NM_000546 IPR013872 p53 transactivation domain
4 NM_000546 IPR002117 p53 tumour suppressor family
5 NM_000546 IPR008967 p53-like transcription factor, DNA-binding

七．根据基因的ENTREZ ID号来挑选该基因的指定上下游区域信息或者蛋白序列Markdown

entrez=c("673","7157","837")
getSequence(id = entrez, type="entrezgene",seqType="coding_gene_flank",upstream=100, mart=ensembl)

这样就得到了三条序列，是给定基因的上游100bp序列 coding_gene_flank entrezgene

1 CCTCCGCCTCCGCCTCCGCCTCCGCCTCCCCCAGCTCTCCGCCTCCCTTCCCCCTCCCCGCCCGACAGCGGCCGCTCGGGCCCCGGCTCTCGGTTATAAG 673
2 TCCTTCTCTGCAGGCCCAGGTGACCCAGGGTTGGAAGTGTCTCATGCTGGATCCCCACTTTTCCTCTTGCAGCAGCCAGACTGCCTTCCGGGTCACTGCC 7157
3 CACGTTTCCGCCCTTTGCAATAAGGAAATACATAGTTTACTTTCATTTTTGACTCTGAGGCTCTTTCCAACGCTGTAAAAAAGGACAGAGGCTGTTCCCT 837

其实这个getSequence函数还有非常多的用法，当然主要的变化在其readme上面可以看到，主要是seqType可以有多个选择。

utr5 = getSequence(chromosome=3, start=185514033, end=185535839,
 type="entrezgene",seqType="5utr", mart=ensembl)
utr5
#这样就查询到了 chromosome=3, start=185514033, end=185535839,这个定位里面的所有utr5信息。
protein = getSequence(id=c(100, 5728),type="entrezgene",
 seqType="peptide", mart=ensembl)
protein
#这样就查到了这两个基因转录本的所有蛋白序列，100这个基因有5条序列，5728这个基因有四条序列。

八，选择其它数据库来进行查询，比如SNP数据库

当然还有一些数据库的小技巧，第一个是参数 archive = TRUE，设置只用能获取的数据库

    ensembl = useMart(“ensembl_mart_46”, dataset=”hsapiens_gene_ensembl”, archive = TRUE)

然后是设置特定选取hg19对应的信息。

    listMarts(host='may2009.archive.ensembl.org')
    ensembl54=useMart(host='may2009.archive.ensembl.org', biomart='ENSEMBL_MART_ENSEMBL')
    ensembl54=useMart(host='may2009.archive.ensembl.org', biomart='ENSEMBL_MART_ENSEMBL', dataset='hsapiens_gene_ensembl')

写在最后

最后我简单提一下select函数是如何部分替代getBM函数的，因为biomaRt是在线数据库，本来只能用它自己的getBM系列函数，但是为了对接其它bioconductor系列包，也可以用select函数来操作这个在线数据库。

mart<-useMart(dataset="hsapiens_gene_ensembl",biomart='ensembl') head(keytypes(mart), n=3) head(columns(mart), n=3) k = keys(mart, keytype="chromosome_name") head(k, n=3) k = keys(mart, keytype="chromosome_name", pattern="LRG") head(k, n=3) affy=c("202763_at","209310_s_at","207500_at") select(mart, keys=affy, columns=c('affy_hg_u133_plus_2','entrezgene'), keytype='affy_hg_u133_plus_2')

今天的文章[生信]biomaRt 基因ID的转换分享到此就结束了，感谢您的阅读。