Ensemble ID及转换

Ensemble ID

Ensemble ID 是Ensembl 数据库使用的ID标识符，用于标识不同的分子特征，如基因，转录本，外显子，蛋白。大多数据库都有一套自己的ID命名。ID 主要是为消除歧义，在特征注释或数据库更新时也能保持一致。不像人为命名的分子名字，如基因名字那样可能发生改变。就类似于我们的身份证号, 名字方便于平常的交流使用，ID是独一无二的。

ID 格式

Ensemble ID 个格式是

ENS[物种符号][分子特征][独一无二的11位数字]

ENS[物种符号]

• Ensemble ID 基本上是以ENS开头，后接表示物种的符号, ENSMUS: 表示Mus musculus (Mouse)
• Homo sapiens 直接以ENS表示
• 少部分的，以其他开头

分子特征

特征符号	特征
G	gene
T	transcript
E	exon
P	protein
R	regulatory feature
FM	Ensembl protein family
GT	gene tree

根据以上规则，当看到一个Ensemble ID时，我们就可以判断出它来自什么物种，属于什么特征。
比如:

ENSMUSG00000000031: 小鼠基因
ENSMUST00000000031: 小鼠转录本
ENSMUSP00000000031: 小鼠蛋白
ENSG00000000031： 人基因

详细的物种符号表示，可以见：

http://asia.ensembl.org/info/genome/stable_ids/prefixes.html

版本号
通常，我们还会遇到类似这种ENSMUSG00000000031.2 ，id末尾有小数的情况。这是特征的版本号。当ID所表示的特征有变化时，版本号就会增加。版本号增加规则，详见：

http://asia.ensembl.org/info/genome/stable_ids/index.html

ID 转换

ID 转换借助Y叔的clusterProfiler中的bitr(Biological Id TRanslator)。

### 安装 clusterProfiler
if (!requireNamespace("BiocManager", quietly = TRUE))
    install.packages("BiocManager")

BiocManager::install("clusterProfiler")

此外还需要对应物种的基因注释包。注释包可以去下面链接找对应物种安装（有20个）：

http://bioconductor.org/packages/release/BiocViews.html#___OrgDb

以小鼠的的为例，安装：

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

BiocManager::install("org.Mm.eg.db")

下面是代码了

library(clusterProfiler)
library(org.Mm.eg.db)

### 以这3个ID为例
gene.ens.id <- c("ENSMUSG00000028901.1", "ENSMUSG00000051910.2", "ENSMUSG00000051390.3")

## 有版本号，直接转不行的, 这句代码是去除版本号的
gene.ens.id <- gsub("\..*", "",  gene.ens.id))

gene.symbol <- bitr(geneID = gene.ens.id, 
                    fromType = "ENSEMBL",
                    toType = c("ENTREZID", "SYMBOL", "GENENAME"),
                    OrgDb = org.Mm.eg.db)
---------------------------------------------------------------------------------------------------------
> gene.symbol
             ENSEMBL ENTREZID SYMBOL                                            GENENAME
1 ENSMUSG00000028901    56809  Gmeb1 glucocorticoid modulatory element binding protein 1
2 ENSMUSG00000051910    20679   Sox6                SRY (sex determining region Y)-box 6
3 ENSMUSG00000051390    81630 Zbtb22            zinc finger and BTB domain containing 22

• geneID ，需要转换的ID
• fromType ，当前ID类型
• toType， 转换成什么ID
• OrgDb, 注释数据库

使用keytypes可以查看注释包的所有 ID 类型。

> keytypes(org.Mm.eg.db)
 [1] "ACCNUM"       "ALIAS"        "ENSEMBL"      "ENSEMBLPROT"  "ENSEMBLTRANS" "ENTREZID"     "ENZYME"       "EVIDENCE"    
 [9] "EVIDENCEALL"  "GENENAME"     "GO"           "GOALL"        "IPI"          "MGI"          "ONTOLOGY"     "ONTOLOGYALL" 
[17] "PATH"         "PFAM"         "PMID"         "PROSITE"      "REFSEQ"       "SYMBOL"       "UNIGENE"      "UNIPROT"

• ENSEMBL 是 Ensemble gene ID
• ENSEMBLTRANS 是 Ensemble transcript ID
• ENSEMBLPROT 是 Ensemble protein ID

参考

http://asia.ensembl.org/info/genome/stable_ids/index.html
http://yulab-smu.top/clusterProfiler-book/chapter5.html#go-over-representation-test

ps: 欢迎关注