玩转 ENSEMBL 数据库（一）

生信菜鸟团

发布于 2025-04-22 09:57:37

2.3K0

生物信息学离不开数据库的使用，一般情况下，我们似乎能难使用一个数据库的全部功能，但不可否认的是，一个数据库往往隐藏着我们不知道的使用技巧，也可能我们使用过这些功能，但不够完整。所以这里我们一起探索一下数据库的使用奥秘及深度解读信息。

Ensembl数据库是一个广泛使用的生物信息学资源，主要用于提供多种物种的基因组注释和比较基因组学数据。以下是Ensembl数据库的一些关键特点：

基因组注释：Ensembl提供了多种物种的详细基因组注释，包括基因、转录本、蛋白质序列及其功能描述。
比较基因组学：Ensembl支持跨物种的基因组比较分析，帮助研究人员研究基因进化和功能保守性。
多样性和变异数据：数据库包含丰富的人类和其他物种的遗传多样性和变异信息，如SNPs（单核苷酸多态性）和结构变异。
浏览和访问工具：Ensembl提供了直观的浏览器界面和API，方便用户访问和分析数据。
整合数据：Ensembl整合了来自多个公共项目的数据，如GENCODE、UniProt和NCBI，提供全面的基因组信息。
定期更新：数据库定期更新，以确保提供最新的基因组和注释数据。

今天我们先不聊ENSEMBL官网界面，先聊一下怎么在R中访问ENSEMBL资源，这是一个R包：BiomaRt, Bioconductor R package。BiomaRt是一个用于访问生物信息学数据库的R包，特别是 Ensembl 数据库。它提供了一个方便的接口来查询和检索基因组数据。这个 R 包可以在 Rstudio 中直接在线调用 Ensembl 数据库信息。

下载 R 包

if (!requireNamespace("BiocManager", quietly = TRUE))
    install.packages("BiocManager")
BiocManager::install("biomaRt")

先解释一个词（后边会频繁用） mart 指的是一个数据库连接对象，它代表你要查询的特定 BioMart 数据库。BioMart 是一个生物信息学数据库系统，提供了访问各种生物数据的接口。

我们先举例再逐一解读参数。

示例1

获取位于人类 1 号染色体上的所有 Ensembl 基因、转录本 ID、HGNC 符号及染色体位置信息。

这里使用两个函数，useEnsembl 函数用来在线连接数据库和基因集，getBM函数用于从数据库中检索数据

library(biomaRt)
ensembl = useEnsembl(biomart="ensembl", dataset="hsapiens_gene_ensembl")
chr1_genes <- getBM(attributes=c('ensembl_gene_id',
                                 'ensembl_transcript_id',
                                 'hgnc_symbol','chromosome_name',
                                 'start_position',
                                 'end_position'),
                    filters = 'chromosome_name', 
                    values ="1",
                    mart = ensembl
                    )

加载biomaRt库：*library(biomaRt)*用于加载biomaRt包，确保可以使用其功能来访问生物数据库。
连接到Ensembl数据库：*useEnsembl(biomart="ensembl", dataset="hsapiens_gene_ensembl")函数用于连接到Ensembl数据库，指定了使用人类基因数据集hsapiens_gene_ensembl*。
检索数据：
- *'ensembl_gene_id'*：Ensembl基因ID。
- *'ensembl_transcript_id'*：Ensembl转录本ID。
- *'hgnc_symbol'*：HGNC基因符号。
- *'chromosome_name'*：染色体名称。
- *'start_position'*：基因起始位置。
- *'end_position'*：基因结束位置。
- *getBM()*函数用于从Ensembl数据库检索数据。
- attributes 参数指定了要检索的字段，包括：
- *filters*参数用于指定过滤条件，这里是按染色体名称过滤。
- *values*参数指定过滤值，这里是染色体1。
- *mart参数指定使用的数据库连接对象，即之前创建的ensembl*。
存储结果：检索到的数据被存储在*chr1_genes*变量中，包含染色体1上的基因信息。

函数 1 : useEnsembl

"useEnsembl"函数允许通过指定 BioMart 和数据集参数连接到 Ensembl 网站的 mart。例如，要连接到 Ensembl 实时基因 mart 的人类数据集。

ensembl = useEnsembl(biomart="ensembl", dataset="hsapiens_gene_ensembl")

参数：biomart

其中biomart是想要连接的 BioMart 数据库名称。可以使用 listEnsembl 函数检索可能的数据库名称。

也可以直接网页进入数据库 https://www.ensembl.org/biomart/martview ，这个网页版使用可以以后再聊。

运行"listEnsembl"函数

> library(biomaRt)
> listEnsembl()
        biomart                version
1         genes      Ensembl Genes 113
2 mouse_strains      Mouse strains 113
3          snps  Ensembl Variation 113
4    regulation Ensembl Regulation 113

**"genes"**：用于访问 Ensembl Genes 数据库，提供基因组注释信息。
**"snps"**：用于访问 Ensembl Variation 数据库，提供关于遗传变异的信息。
**"regulation"**：用于访问 Ensembl Regulation 数据库，提供基因调控相关的信息。
**"mouse_strains"**：用于访问小鼠品系的基因组信息。

可以看到有四个数据库，但是我们一般使用 biomart="ensembl", 这个一种快捷方式，等价于 biomart="genes"

参数：dataset

通过dataset="hsapiens_gene_ensembl"可以连接自己关注的物种。

"listDatasets"函数提供给定 mart 下所有可用物种（mart 数据集）的列表

> ensembl = useEnsembl(biomart="ensembl")
> head(listDatasets(ensembl))
                       dataset                           description     version
1 abrachyrhynchus_gene_ensembl Pink-footed goose genes (ASM259213v1) ASM259213v1
2     acalliptera_gene_ensembl      Eastern happy genes (fAstCal1.3)  fAstCal1.3
3   acarolinensis_gene_ensembl       Green anole genes (AnoCar2.0v2) AnoCar2.0v2
4    acchrysaetos_gene_ensembl       Golden eagle genes (bAquChr1.2)  bAquChr1.2
5    acitrinellus_gene_ensembl        Midas cichlid genes (Midas_v5)    Midas_v5
6    amelanoleuca_gene_ensembl       Giant panda genes (ASM200744v2) ASM200744v2
`````
`````
`````
77             hcomes_gene_ensembl                   Tiger tail seahorse genes (H_comes_QL1_v1)                    H_comes_QL1_v1
78           hgfemale_gene_ensembl        Naked mole-rat female genes (Naked_mole-rat_maternal)           Naked_mole-rat_maternal
79             hhucho_gene_ensembl                                   Huchen genes (ASM331708v1)                       ASM331708v1
80           hsapiens_gene_ensembl                                     Human genes (GRCh38.p14)                        GRCh38.p14
81         ipunctatus_gene_ensembl                          Channel catfish genes (ASM400665v3)                       ASM400665v3
82  itridecemlineatus_gene_ensembl                                   Squirrel genes (SpeTri2.0)                         SpeTri2.0
83           jjaculus_gene_ensembl                     Lesser Egyptian jerboa genes (JacJac1.0)                         JacJac1.0
`````
`````
`````
210          vursinus_gene_ensembl      Common wombat genes (bare-nosed_wombat_genome_assembly) bare-nosed_wombat_genome_assembly
211           vvulpes_gene_ensembl                                    Red fox genes (VulVul2.2)                         VulVul2.2
212       xcouchianus_gene_ensembl     Monterrey platyfish genes (Xiphophorus_couchianus-4.0.1)      Xiphophorus_couchianus-4.0.1
213        xmaculatus_gene_ensembl                       Platyfish genes (X_maculatus-5.0-male)              X_maculatus-5.0-male
214       xtropicalis_gene_ensembl                   Tropical clawed frog genes (UCB_Xtro_10.0)                     UCB_Xtro_10.0

可以看到截至目前 genes数据库中有214条信息。

函数 2 ：getBM

"getBM"函数允许您通过一组 mart 过滤器和属性列表构建 BioMart 查询。说人话就是要根据什么信息（filters, values），然后提取 (attributes) 出什么信息

chr1_genes <- getBM(attributes=c('ensembl_gene_id',
                                 'ensembl_transcript_id',
                                 'hgnc_symbol','chromosome_name',
                                 'start_position',
                                 'end_position'),
                    filters = 'chromosome_name', 
                    values ="1",
                    mart = ensembl
                    )

参数：fillters

"listFilters"函数将为您提供给定 mart 和物种的可用过滤器列表

> ensembl = useEnsembl(biomart="ensembl", dataset="hsapiens_gene_ensembl")
> head(listFilters(ensembl))
             name              description
1 chromosome_name Chromosome/scaffold name
2           start                    Start
3             end                      End
4      band_start               Band Start
5        band_end                 Band End
6    marker_start             Marker Start

# 也可以表格形式直接查看
View(ensembl@filters)

这个例子中我们使用的filters信息就是染色体号chromosome_name，提取染色体1，就是`values ="1"

参数：attributes

"listAttributes"函数将提供给定 mart 和物种的可用属性列表

> ensembl = useEnsembl(biomart="ensembl", dataset="hsapiens_gene_ensembl")
> head(listAttributes(ensembl))
                           name                  description         page
1               ensembl_gene_id               Gene stable ID feature_page
2       ensembl_gene_id_version       Gene stable ID version feature_page
3         ensembl_transcript_id         Transcript stable ID feature_page
4 ensembl_transcript_id_version Transcript stable ID version feature_page
5            ensembl_peptide_id            Protein stable ID feature_page
6    ensembl_peptide_id_version    Protein stable ID version feature_page

# 也可以表格形式直接查看
View(ensembl@attributes)

如果上面制定了染色体1，这个就是我们需要知道染色体上基因的哪些信息：

***ensembl_gene_id***：Ensembl 基因 ID，是 Ensembl 数据库中用于唯一标识每个基因的标识符。
***ensembl_transcript_id***：Ensembl 转录本 ID，用于唯一标识每个转录本。一个基因可以有多个转录本，这些转录本可能代表不同的剪接变体。
***hgnc_symbol***：HGNC 基因符号，是由人类基因命名委员会（HGNC）指定的标准化基因符号。它通常是一个简短且易于记忆的名称，用于识别已知基因。
***chromosome_name***：染色体名称，表示基因所在的染色体编号或字母（例如，"1" 表示染色体 1，"X" 表示 X 染色体）。
***start_position***：基因在染色体上的起始位置，通常以碱基对（bp）为单位表示。
***end_position***：基因在染色体上的结束位置，也以碱基对为单位表示。

等等等等········

示例 2

获取映射到人类 Ensembl 基因 ID "ENSG00000139618" 的 Ensembl 基因、转录本 ID、HGNC 符号及 Uniprot Swissprot 登录号

> library(biomaRt)
> ensembl = useEnsembl(biomart="ensembl", dataset="hsapiens_gene_ensembl")
> hgnc_swissprot <- getBM(attributes=c('ensembl_gene_id',
+                                      'ensembl_transcript_id',
+                                      'hgnc_symbol',
+                                      'uniprotswissprot'),
+                         filters = 'ensembl_gene_id', 
+                         values = 'ENSG00000139618', 
+                         mart = ensembl)
> hgnc_swissprot
   ensembl_gene_id ensembl_transcript_id hgnc_symbol uniprotswissprot
1  ENSG00000139618       ENST00000544455       BRCA2           P51587
2  ENSG00000139618       ENST00000713677       BRCA2                 
3  ENSG00000139618       ENST00000713678       BRCA2                 
4  ENSG00000139618       ENST00000530893       BRCA2                 
5  ENSG00000139618       ENST00000666593       BRCA2                 
6  ENSG00000139618       ENST00000528762       BRCA2

上面解释很清楚了

拓展 1 : 网页版

ensembl也提供了网页工具https://www.ensembl.org/biomart/martview，使用原理和 R 包大概一致。

步骤 1：选择数据库

和 R 包中选择 mart 对象一样

步骤2: 选择查询信息

比如我们想知道获取映射到人类 Ensembl 基因 ID "ENSG00000139618" 的 Ensembl 基因、转录本 ID、HGNC 符号及 Uniprot Swissprot 登录号

步骤 3 ：选择输出信息

这里和 R 包中attributes 参数功能一致，但名字可能不同。

步骤4: 输出结果

拓展 2 ：转换基因 ID

在 R 中，我们可能需要将 ENSEMBL GENE ID （例：ENSG00000139618）转换为 SYMBOL ID

（例：BRCA2）或者ENTREZ ID。那我们是不是可以生成一个的对照表，一列是 ENSEMBL ID，一列是 SYMBOL ID，一列是ENTREZ ID，或者其他。可以根据上述attributes参数 看能提取哪些信息。然后我们再去查询转换。

这里举例是替换一个counts 数据的 ENSEMBL ID 信息，列明为“name”，具体替换根据需求具体使用。

# 获得数据库中关注的 ID 信息
ensembl <- useMart("ensembl", dataset = "hsapiens_gene_ensembl")
ids <- getBM(attributes = c("ensembl_gene_id",
                            "hgnc_symbol",
                            "entrezgene_id"),
             mart = ensembl)
# 修改列名
colnames(ids) <- c("ENSEMBL", "SYMBOL", "ENTREZ")

# 去除重复 ID
ids=ids[!duplicated(ids$ENSEMBL),]

# 连接基因 counts 矩阵和 ID 信息 （根据需求使用我们构建的 ids 基因信息查询表）
All_gene_counts <- merge(ensembl_matrix, ids, by.x = "name", by.y = "ENSEMBL", all.x = TRUE) %>%
  dplyr::select(name, SYMBOL, ENTREZ, everything())

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2025-04-21，如有侵权请联系 cloudcommunity@tencent.com 删除

对象

本文分享自生信菜鸟团微信公众号，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同步曝光计划，欢迎热爱写作的你一起参与！

登录后参与评论

0 条评论

热度