1、不同基因ID转换

1.1 org.Hs.eg.db包

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30


library(dplyr)
library(org.Hs.eg.db)
keytypes(org.Hs.eg.db) 
#  [1] "ACCNUM"       "ALIAS"        "ENSEMBL"      "ENSEMBLPROT"  "ENSEMBLTRANS" "ENTREZID"    
#  [7] "ENZYME"       "EVIDENCE"     "EVIDENCEALL"  "GENENAME"     "GENETYPE"     "GO"          
# [13] "GOALL"        "IPI"          "MAP"          "OMIM"         "ONTOLOGY"     "ONTOLOGYALL" 
# [19] "PATH"         "PFAM"         "PMID"         "PROSITE"      "REFSEQ"       "SYMBOL"      
# [25] "UCSCKG"       "UNIPROT"

gene_symbol=c("RHO","CALM1","MEG3","GNGT1","SAG","RPGRIP1","TRPM1","PCP2","PCP4","AP1B1")

gene_ids<-AnnotationDbi::select(org.Hs.eg.db, keys=as.character(gene_symbol), 
                                columns=c("ENSEMBL","ENTREZID"), #目标格式
                                keytype="SYMBOL") #目前的格式
gene_ids

##去重
gene_ids %>% 
  dplyr::distinct(ENTREZID, .keep_all = T)
#     SYMBOL         ENSEMBL ENTREZID
# 1      RHO ENSG00000163914     6010
# 2    CALM1 ENSG00000198668      801
# 3     MEG3 ENSG00000214548    55384
# 4    GNGT1 ENSG00000127928     2792
# 5      SAG ENSG00000130561     6295
# 6  RPGRIP1 ENSG00000092200    57096
# 7    TRPM1 ENSG00000134160     4308
# 8     PCP2 ENSG00000174788   126006
# 9     PCP4 ENSG00000183036     5121
# 10   AP1B1 ENSG00000100280      162

1.2 biomaRt包

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12


library("biomaRt")
ensembl = useMart("ensembl",dataset="hsapiens_gene_ensembl") 
attributes = listAttributes(ensembl)
attributes[1:5,]
# library(httr)
# httr::set_config(config(ssl_verifypeer = 0L))

gene_symbol=c("RHO","CALM1","MEG3","GNGT1","SAG","RPGRIP1","TRPM1","PCP2","PCP4","AP1B1")
gene_ids2 <- getBM(filters= "hgnc_symbol", 
                    attributes= c("hgnc_symbol","ensembl_gene_id","entrezgene_id"),
                    values = gene_symbol, mart= ensembl)
gene_ids2

2、鼠源基因转为人类基因ID

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42


musGenes <- c("Hmmr", "Tlx3", "Cpeb4")

## 方式1：直接大小写转换
toupper(musGenes)
# [1] "HMMR"  "TLX3"  "CPEB4"

## 方式2：通过biomaRt包（不稳定）
require("biomaRt")
# library(httr)
# httr::set_config(config(ssl_verifypeer = 0L))
human = useMart("ensembl", dataset = "hsapiens_gene_ensembl",host = "dec2021.archive.ensembl.org")
mouse = useMart("ensembl", dataset = "mmusculus_gene_ensembl",host = "dec2021.archive.ensembl.org")
genes = getLDS(attributes = c("mgi_symbol"), filters = "mgi_symbol", 
               values = musGenes, 
               mart = mouse, 
               attributesL = c("hgnc_symbol"), 
               martL = human, uniqueRows=T)

## 方式3：MGI 数据库
# https://support.bioconductor.org/p/129636/
library(dplyr)
mouse_human_genes = read.csv("http://www.informatics.jax.org/downloads/reports/HOM_MouseHumanSequence.rpt",sep="\t")

convert_mouse_to_human <- function(gene_list){
  
  output = c()
  
  for(gene in gene_list){
    class_key = (mouse_human_genes %>% filter(Symbol == gene & Common.Organism.Name=="mouse, laboratory"))[['DB.Class.Key']]
    if(!identical(class_key, integer(0)) ){
      human_genes = (mouse_human_genes %>% filter(DB.Class.Key == class_key & Common.Organism.Name=="human"))[,"Symbol"]
      for(human_gene in human_genes){
        output = append(output,human_gene)
      }
    }
  }
  
  return (output)
}

convert_mouse_to_human(musGenes)
# 1] "HMMR"  "TLX3"  "CPEB4"

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23


# # https://github.com/lishensuo/utils
# 
# library("biomaRt")
# # library(httr)
# # httr::set_config(config(ssl_verifypeer = 0L))
# human = useMart("ensembl", dataset = "hsapiens_gene_ensembl",host = "dec2021.archive.ensembl.org")
# mouse = useMart("ensembl", dataset = "mmusculus_gene_ensembl",host = "dec2021.archive.ensembl.org")
# 
# # https://www.gencodegenes.org/mouse/
# dat = data.table::fread("gencode.vM33.basic.annotation.gtf.gz")
# dat = subset(dat, V3 == "gene")
# dat_sub = dat[,"V9"] %>% 
#   separate(V9, into = c("gene_id","gene_type","gene_name","mgi_id","havana_gene"), sep = "; ")
# dat_sub$gene_name2 = gsub('gencode.vM33.basic.annotation.gtf.gz "','',dat_sub$gene_name)
# dat_sub$gene_name2 = gsub('"','',dat_sub$gene_name2)
# 
# genes = getLDS(attributes = c("mgi_symbol"), filters = "mgi_symbol", 
#                values = dat_sub$gene_name2, 
#                mart = mouse, 
#                attributesL = c("hgnc_symbol"), 
#                martL = human, uniqueRows=T)
# write.csv(genes, file = "mgi2hgnc_biomart.csv", row.names = F, quote = F)
# head(genes)

3、蛋白质与基因ID转换

https://www.uniprot.org/uploadlists/

4、化合物ID转换

4.1 网页转换

https://pubchem.ncbi.nlm.nih.gov/idexchange/idexchange.cgi

4.2 python工具转换

（1）https://pubchempy.readthedocs.io/en/v1.0.4/index.html

1

pip install pubchempy

（2）简单用法如下

1

import pubchempy as pcp

①可直接根据化合物CID，构建出pubchempy.Compound对象

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31


c = pcp.Compound.from_cid(5090)
type(c)
# pubchempy.Compound

##举例3个属性值
c.molecular_formula
# 'C17H14O4S'
c.canonical_smiles
# 'CS(=O)(=O)C1=CC=C(C=C1)C2=C(C(=O)OC2)C3=CC=CC=C3'
c.synonyms[:3]
# ['rofecoxib', '162011-90-7', 'Vioxx']


## 转换成表格，显示全部属性
c_df = pcp.compounds_to_frame(c)
c_df.columns
# Index(['atom_stereo_count', 'atoms', 'bond_stereo_count', 'bonds',
#        'cactvs_fingerprint', 'canonical_smiles', 'charge', 'complexity',
#        'conformer_id_3d', 'conformer_rmsd_3d', 'coordinate_type',
#        'covalent_unit_count', 'defined_atom_stereo_count',
#        'defined_bond_stereo_count', 'effective_rotor_count_3d', 'elements',
#        'exact_mass', 'feature_selfoverlap_3d', 'fingerprint',
#        'h_bond_acceptor_count', 'h_bond_donor_count', 'heavy_atom_count',
#        'inchi', 'inchikey', 'isomeric_smiles', 'isotope_atom_count',
#        'iupac_name', 'mmff94_energy_3d', 'mmff94_partial_charges_3d',
#        'molecular_formula', 'molecular_weight', 'monoisotopic_mass',
#        'multipoles_3d', 'pharmacophore_features_3d', 'record',
#        'rotatable_bond_count', 'shape_fingerprint_3d', 'shape_selfoverlap_3d',
#        'tpsa', 'undefined_atom_stereo_count', 'undefined_bond_stereo_count',
#        'volume_3d', 'xlogp'],
#       dtype='object')

②根据小分子属性值，搜索符合条件的小分子对象

仅支持6种属性：[“name”,“smiles”,“sdf”,“inchi”,“inchikey”,“formula”]

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18


## 第一个参数--属性值，第二个参数--属性类型
## 返回结果是包含若干个小分子对象的list
results = pcp.get_compounds('Glucose', 'name')
results = pcp.get_compounds('C1=CC2=C(C3=C(C=CC=N3)C=C2)N=C1', 'smiles')
multi_results = pcp.get_compounds('C6H12O6', 'formula')
results = multi_results[:3]
for cp in results:
    print(cp.isomeric_smiles)
# C1[C@H]([C@H]([C@@H](C(O1)(CO)O)O)O)O
# C([C@H]([C@H]([C@@H]([C@H](C=O)O)O)O)O)O
# C(C(C(C(C(C=O)O)O)O)O)O

cs = pcp.get_compounds('C20H41Br', 'formula')
cs[:3]
# [Compound(20271), Compound(23148745), Compound(10808570)]
cs_df = pcp.compounds_to_frame(cs, properties=['isomeric_smiles', 'xlogp', 'rotatable_bond_count'])
cs_df.shape
# (43, 3)

补充：MyGene

MyGene.info 是一个为生物信息学提供高效、统一、RESTful API 的基因注释服务平台，支持快速查询基因的ID转换、结构、功能、通路、蛋白、疾病、药物靶点等多种注释信息；数据来源整合了多个主流数据库（如 NCBI, Ensembl, UniProt, GO, KEGG, ChEMBL 等）。

使用方式也非常简单，可以直接通过API接口，也提供了封装好的Python、R包进行调用。下面简单记录其Python包的用法，方便以后使用。

1
2
3
4
5


# pip install mygene

import mygene

mg = mygene.MyGeneInfo()

方式1：根据指定的entrezgene/ensembl id查询

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19


res = mg.getgene(1017, fields='all')
res.keys()
# dict_keys(['AllianceGenome', 'HGNC', 'MIM', '_id', '_version', 'accession', 'agr', 
#            'alias', 'chembl', 'ec', 'ensembl', 'entrezgene', 'exac', 'exons', 'exons_hg19', 
#            'generif', 'genomic_pos', 'genomic_pos_hg19', 'go', 'homologene', 'interpro', 'ipi', 
#            'map_location', 'name', 'other_names', 'pantherdb', 'pathway', 'pdb', 'pfam', 'pharmgkb', 
#            'pharos', 'pir', 'prosite', 'reagent', 'refseq', 'reporter',  'summary', 'symbol', 'taxid', 
#            'type_of_gene', 'umls', 'unigene', 'unii', 'uniprot', 'wikipedia'])
## 笔记最后列出了每个key/field的含义说明


# 使用fields参数限定返回的注释条目
mg.getgene(1017, fields='name,symbol,refseq')
mg.getgene(1017, fields=['name', 'symbol', 'refseq.rna'])


# 同时查询多个基因
mg.getgenes([1017,1018,'ENSG00000148795'], fields='name,symbol,entrezgene,taxid,type_of_gene')
mg.getgenes([1017,1018,'ENSG00000148795'], fields='name,symbol,entrezgene,taxid,ensembl', as_dataframe=True)

方式2：根据关键字匹配搜索

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17


mg.query('cdk2')
# 默认返回最匹配的10个结果，且返回条目进包括entrezgene/name/symbol/taxid


# 针对特定条目进行搜索，且筛选物种
mg.query('symbol:cdk2', species='human', fields='name,symbol,entrezgene,taxid,ensembl')


# 批量搜索，scopes参数设置针对某一条目进行搜索
mg.querymany([1017, 695], scopes='entrezgene', species='human')
mg.querymany(["TP53", "EGFR", 'NA_TEST'], scopes='symbol', species='human', as_dataframe=True)


# 当fetch_all=True，生成一个可迭代对象
kinases = mg.query('name:kinase', species='human', fetch_all=True)
for gene in kinases:
    print(gene['_id'], gene['symbol'])

基本信息

字段名	含义
`_id` / `entrezgene`	主键，通常等于 Entrez Gene ID，如 `1017`
`_version`	数据版本号
`symbol`	基因符号，例如 `CDK2`
`name`	基因全名，例如 “cyclin-dependent kinase 2”
`taxid`	NCBI 物种 ID，`9606` 表示人类
`type_of_gene`	基因类型，如 `protein-coding`、`ncRNA`、`pseudo` 等
`summary`	基因功能简要描述
`alias`	其他名称或别名（例如缩写、旧称）
`other_names`	附加名称（全称、别称等）

序列信息

字段名	含义
`accession`	基因相关的 GenBank/RefSeq accession 列表
`refseq`	RefSeq 序列 ID（mRNA、protein、genomic 等）
`genomic_pos`	基因在最新人类基因组版本（如 hg38）上的位置
`genomic_pos_hg19`	在旧版本（hg19）上的位置信息
`exons`	外显子位置（hg38）
`exons_hg19`	外显子位置（hg19）

生物通路与功能注释

字段名	含义
`go`	Gene Ontology 注释，包括 BP（生物过程）、MF（分子功能）、CC（细胞成分）
`pathway`	涉及的信号通路信息（来自 Reactome、WikiPathways、KEGG 等）
`pantherdb`	Panther 通路数据库注释
`pharmgkb`	药物-基因相互作用信息
`pharos`	药物开发相关注释（Drug Target 分类）

蛋白结构和功能域

字段名	含义
`uniprot`	UniProt 蛋白数据库的 ID 和注释
`interpro`	InterPro 蛋白家族或功能域
`pfam`	Pfam 蛋白结构域
`prosite`	Prosite 模式/结构域数据库
`pdb`	相关蛋白质的三维结构（来自 Protein Data Bank）
`ec`	酶编号（Enzyme Commission Number），如 kinase 常有
`ipi`	International Protein Index（已弃用）
`pir`	PIR 蛋白数据库 ID

同源与进化

字段名	含义
`homologene`	NCBI HomoloGene 同源基因信息 ([tax_id, entrezgene_id])
`ensembl`	Ensembl 基因数据库的 ID 和注释
`MIM`	OMIM（人类遗传疾病数据库）相关信息
`unigene`	NCBI UniGene 聚类（旧）
`umls`	Unified Medical Language System 编号（跨数据库映射）
`exac`	ExAC 等人群变异数据汇总（Exome Aggregation Consortium）
`HGNC`	HGNC（人类基因命名委员会）ID 和详细命名信息

实验与试剂相关

字段名	含义
`reporter`	基因在不同表达芯片平台上的探针 ID（如 Affymetrix）
`reagent`	BioGPS 等平台上的实验试剂资源
`agr`	Alliance of Genome Resources ID（联合资源数据库）
`AllianceGenome`	Alliance Genome 注释（也可能重复 agr）

药物相关

字段名	含义
`chembl`	ChEMBL 中的药物靶点信息
`unii`	FDA UNII（药物成分唯一标识符）

网络资源

字段名	含义
`wikipedia`	Wikipedia 页面链接（如果有）
`map_location`	染色体图谱位置，如 `12q13.2`（12号染色体长臂）
`generif`	GeneRIFs：简短文献注释，来自 PubMed 摘要（Gene Reference Into Function）

常见物种ID

物种	学名	Taxonomy ID
人	Homo sapiens	9606
小鼠	Mus musculus	10090
大鼠	Rattus norvegicus	10116
斑马鱼	Danio rerio	7955
果蝇	Drosophila melanogaster	7227
秀丽线虫	Caenorhabditis elegans	6239
酵母	Saccharomyces cerevisiae	4932
拟南芥	Arabidopsis thaliana	3702
水稻	Oryza sativa	4530
大肠杆菌	Escherichia coli	562
新冠病毒	SARS-CoV-2	2697049

1、不同基因ID转换#

1.1 org.Hs.eg.db包#

1.2 biomaRt包#

2、鼠源基因转为人类基因ID#

3、蛋白质与基因ID转换#

4、化合物ID转换#

4.1 网页转换#

4.2 python工具转换#

补充：MyGene#