第一个万能芯片探针ID注释平台R包

生信技能树

发布于 2019-12-05 10:34:01

11.5K0

发布于 2019-12-05 10:34:01

文章被收录于专栏：生信技能树生信技能树

昨天发布了 GEO数据库中国区镜像横空出世，粉丝们都很happy，因为确实解决了他们的一个拦路虎，以后下载GEO数据再也不用去网吧了。然后开始接近粉丝们的第二个需求，就是探针的ID注释问题。这是一个系列推文，我会推出3个R包，

第一个是整合全部的bioconductor里面的芯片探针注释包。
第二个是整合全部GPL的soft文件里面的芯片探针注释包。
第三个是下载全部的GPL的soft文件里面的探针碱基序列比对后注释包。

一般有三种方法可以得到芯片探针与gene的对应关系：

金标准当然是去基因芯片的厂商的官网直接去下载啦
一种是直接用bioconductor的包。
一种是从NCBI里面下载文件来解析好！

首先，我们说官网，肯定可以找到，不然这种芯片出来就没有意义了！然后，我们看看NCBI下载的，会比较大

http://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GPL6947

不过，这两种方法都比较麻烦，需要自行摸索很多才能获得比较高质量的芯片注释关系。但是R的bioconductor包其实是有芯片探针与gene的对应关系的，一般重要的芯片在R的bioconductor里面都是有包的。

但是用户需要每个R包独立下载安装后获取芯片探针注释信息

比如下面的这些芯片：

gpl    bioc_package    title
GPL201    hgfocus [HG-Focus] Affymetrix Human HG-Focus Target Array
GPL96    hgu133a [HG-U133A] Affymetrix Human Genome U133A Array
GPL571    hgu133a2    [HG-U133A_2] Affymetrix Human Genome U133A 2.0 Array
GPL97    hgu133b [HG-U133B] Affymetrix Human Genome U133B Array
GPL570    hgu133plus2 [HG-U133_Plus_2] Affymetrix Human Genome U133 Plus 2.0 Array
GPL13667    hgu219  [HG-U219] Affymetrix Human Genome U219 Array
GPL8300    hgu95av2    [HG_U95Av2] Affymetrix Human Genome U95 Version 2 Array
GPL91    hgu95av2    [HG_U95A] Affymetrix Human Genome U95A Array
GPL92    hgu95b  [HG_U95B] Affymetrix Human Genome U95B Array
GPL93    hgu95c  [HG_U95C] Affymetrix Human Genome U95C Array
GPL94    hgu95d  [HG_U95D] Affymetrix Human Genome U95D Array
GPL95    hgu95e  [HG_U95E] Affymetrix Human Genome U95E Array
GPL887    hgug4110b   Agilent-012097 Human 1A Microarray (V2) G4110B (Feature Number version)
GPL886    hgug4111a   Agilent-011871 Human 1B Microarray G4111A (Feature Number version)
GPL1708    hgug4112a   Agilent-012391 Whole Human Genome Oligo Microarray G4112A (Feature Number version)
GPL13497    HsAgilentDesign026652   Agilent-026652 Whole Human Genome Microarray 4x44K v2 (Probe Name version)
GPL6244    hugene10sttranscriptcluster [HuGene-1_0-st] Affymetrix Human Gene 1.0 ST Array [transcript (gene) version]
GPL11532    hugene11sttranscriptcluster [HuGene-1_1-st] Affymetrix Human Gene 1.1 ST Array [transcript (gene) version]
GPL6097    illuminaHumanv1 Illumina human-6 v1.0 expression beadchip
GPL6102    illuminaHumanv2 Illumina human-6 v2.0 expression beadchip
GPL6947    illuminaHumanv3 Illumina HumanHT-12 V3.0 expression beadchip
GPL10558    illuminaHumanv4 Illumina HumanHT-12 V4.0 expression beadchip
GPL6885    illuminaMousev2 Illumina MouseRef-8 v2.0 expression beadchip
GPL81    mgu74av2    [MG_U74Av2] Affymetrix Murine Genome U74A Version 2 Array
GPL82    mgu74bv2    [MG_U74Bv2] Affymetrix Murine Genome U74B Version 2 Array
GPL83    mgu74cv2    [MG_U74Cv2] Affymetrix Murine Genome U74 Version 2 Array
GPL339    moe430a [MOE430A] Affymetrix Mouse Expression 430A Array
GPL6246    mogene10sttranscriptcluster [MoGene-1_0-st] Affymetrix Mouse Gene 1.0 ST Array [transcript (gene) version]
GPL340    mouse4302   [MOE430B] Affymetrix Mouse Expression 430B Array
GPL1261    mouse430a2  [Mouse430_2] Affymetrix Mouse Genome 430 2.0 Array
GPL8321    mouse430a2  [Mouse430A_2] Affymetrix Mouse Genome 430A 2.0 Array

如果用户需要对GPL570 hgu133plus2 [HG-U133_Plus_2] Affymetrix Human Genome U133 Plus 2.0 Array进行注释，就需要：

library(hgu133plus2.db)
ids=toTable(hgu133plus2SYMBOL)
head(ids)

得到的信息如下：

> head(ids)
   probe_id symbol
1   1053_at   RFC2
2    117_at  HSPA6
3    121_at   PAX8
4 1255_g_at GUCA1A
5   1316_at   THRA
6   1320_at PTPN21
>

很多时候，用户是找不到这些GPL平台对应的R包，或者下载安装困难，其实仅仅是需要探针与基因对应关系，没有必要去下载安装这几十个M的包。

安装我的idmap1包

library(devtools)
install_github("jmzeng1314/idmap1")
library(idmap1)

获取同样的GPL570 hgu133plus2 [HG-U133_Plus_2] Affymetrix Human Genome U133 Plus 2.0 Array注释信息，一行代码就搞定！

ids=getIDs('gpl570')
head(ids)

是不是很方便啦！

一个芯片数据挖掘实战

结合我们昨天的发布的 GEO数据库中国区镜像横空出世，随时随地方便下载GEO数据集，并且进行ID转换！

library(GEOmirror)
library(idmap1) 
geoChina('gse6222')
load('GSE6222_eSet.Rdata')
gset
a=exprs(gset[[1]])
a[1:4,1:4]
gset[[1]]@annotation
b=getIDs("GPL570")
head(b)

还有一个小功能

就是对基因名字进行注释

IDs <- c("DDX11L1", "MIR6859-1", "OR4G4P", "OR4F5")
ID_type = "SYMBOL"
annoGene(IDs, ID_type)

简单注释结果如下：

> IDs <- c("DDX11L1", "MIR6859-1", "OR4G4P", "OR4F5")
> ID_type = "SYMBOL"
> annoGene(IDs, ID_type)
   SYMBOL                           biotypes         ENSEMBL  chr start   end
1 DDX11L1 transcribed_unprocessed_pseudogene ENSG00000223972 chr1 11869 14409
5  OR4G4P             unprocessed_pseudogene ENSG00000268020 chr1 52473 53312
7   OR4F5                     protein_coding ENSG00000186092 chr1 65419 71585
Warning message:
In annoGene(IDs, ID_type) : 25% of input IDs are fail to annotate... 
>

同样的，我们前面注释好的探针基因对应关系，也可以进行进一步注释：

ids=getIDs('gpl570')
head(ids)
annoGene(ids$symbol,'SYMBOL')

得到如下的注释结果：

更多表达芯片的公共数据库挖掘系列更多教程，见推文；

本文参与腾讯云自媒体分享计划，分享自微信公众号。

原始发表：2019-12-02，如有侵权请联系 cloudcommunity@tencent.com 删除

硬件开发

数据库

sql

本文分享自生信技能树微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体分享计划，欢迎热爱写作的你一起参与！

硬件开发

数据库

sql

登录后参与评论

0 条评论

热度