注解

用户!2014
作者：马丁摩根（mtmorgan@fhcrc.org), Sonali Arora
日期：2014年6月30日

基因注释

数据包

组织级(“org”)包包含中心标识符(如Entrez基因id)和其他标识符(如GenBank或Uniprot登录号、RefSeq id等)之间的映射。org包的名称总是这种形式org。。 .db(如。org.sc.sgd.db.),是生物体的两个字母的缩写。Sc为酿酒酵母),<标识>是一个缩写(小写)，描述中心标识符的类型(例如。sgd为基因标识符分配酿酒酵母基因组数据库,或者如为Entrez基因ids)。[AnnotationDbi][]包(org包只是" .db "注释包的一种)中的“如何使用'.db'注释包”小插图是一个关键参考。'.db'和大多数其他Bioconductor注释包每6个月更新一次。

注释包通常包含一个以包本身命名的对象。这些对象统称为AnnotationDb对象，具有更多特定的类命名OrgDb,ChipDb或者resscriptdb.对象。可以应用于这些对象的方法包括关口(),键（）,keytypes（）和选择（）。检索注释的常用操作汇总在表中。

锻炼：此练习说明“选择”接口到注释包的基本使用。

1. org包的名称是什么智人吗?加载它。显示OrgDb对象的org.Hs.eg.db包裹。使用列（）发现可以从中提取哪种注释的方法。
2. 使用键（）方法提取ENSEMBL标识符，然后将这些键传递给选择（）方法以这样的方式为每个方式提取符号（基因符号）和每个的Genename信息。使用以下EnsemBl ID。

EXSIDS < -  C（“ENSG00000130720”，“ENSG00000103257”，“ENSG00000156414”，“ENSG00000144644”，“ENSG00000159307”，“ENSG00000144485”）

解决方案的OrgDb对象被命名为org.Hs.eg.db。

库(org.Hs.eg.db) keytypes (org.Hs.eg.db)

## [1] " entrezid " " pfam " " ipi " " prosite " ## [5] " accnum " " alias " " chr " " chrloc " ## [9] " chrlocend " " enzyme " " map " " path " ## [13] " mid " " refseq " " symbol " " unigene " ## [17] " ensemble " " ensemble prot " " ensemble trans " " genename " ## [21] " uniprot " " go " " evidence " " ontology " ## [25] " goall " " evidence all " " omim " # [29] " ucsckg "

列（org.hs.eg.db）

## [1] " entrezid " " pfam " " ipi " " prosite " ## [5] " accnum " " alias " " chr " " chrloc " ## [9] " chrlocend " " enzyme " " map " " path " ## [13] " mid " " refseq " " symbol " " unigene " ## [17] " ensemble " " ensemble prot " " ensemble trans " " genename " ## [21] " uniprot " " go " " evidence " " ontology " ## [25] " goall " " evidence all " " omim " # [29] " ucsckg "

COLS < -  C（“符号”，“genename”）选择（org.hs.eg.db，keys = sensids，columns = cols，keytype =“ensembl”）

# # # # 1 ENSG00000130720运用象征FIBCD1 # # 2 ENSG00000103257 SLC7A5 # # 3 ENSG00000156414 TDRD9 # # 4 ENSG00000144644 GADL1 # # 5 ENSG00000159307 SCUBE1 # # 6 ENSG00000144485 HES6 # # 1 # # GENENAME纤维蛋白原C域包含1 # # 2溶质载体家庭7(氨基酸转运蛋白轻链,L系统),成员5 ## 3都铎结构域包含9 ## 4谷氨酸脱羧基酶样1 ## 5信号肽，CUB结构域，egf样1 ## 6 hes家族bHLH转录因子6

互联网资源

下面是对启用基于web的查询的选择Bioconductor包的简短总结。

使用biomaRt

的biomaRt包裹提供访问在线biomart资源。这包括几个数据库资源，称为“集市”。每个集市允许访问多个数据集;的biomaRt包提供了mart和数据集发现的方法，以及一个标准方法GetBM（）检索数据。

锻炼

1. 加载biomaRt包装和列出可用的市场。选择Ensembl.Mart并列出该Mart的数据集。设置一个集市来使用Ensembl.集市和hsapiens基因运用数据集。
2. 一个biomaRt可以通过访问数据集GetBM（）。除了要访问的集市之外，这个函数还接受过滤器和属性作为参数。使用filterOptions ()和listAttributes（）发现这些论点的价值。调用GetBM（）使用选择的过滤器和属性。

解决方案

##需要上网!!库(biomaRt)头(listMarts(), 3) # #列表集市头(listDatasets (useMart(“运用”)),3)运用< - # # # #集市数据集完全指定的集市useMart(“运用”,数据集=“hsapiens_gene_ensembl”)负责人(listFilters(运用),3)# #过滤器myFilter < -“chromosome_name substr (filterOptions (myFilter运用),1,##集合和查询mart res <- getBM(attributes = myAttributes, filters = myFilter, values = myValues, mart = ensembl)

锻炼

作为一个可选的练习，注释在DESeq2实验室中差异表达的基因，例如，找到与5个差异表达最多的基因相关的\text {GENENAME}。这些有生物学意义吗?你能合并（）注释结果与顶部表格的结果提供统计上和生物信息的摘要？

基因组注释

有多样性的包装和课程可用于代表大型基因组。几个包括：

• 成绩单和其他基因组/坐标注释的“TXDB。*”。
• BSgenome对于全基因组表示。看可用.packages（）对于预包装的基因组，以及小插图如何伪造BSGENOME数据包装
• Homo.sapiens用于集成'TXDB'和'组织。的包。
• “SNPlocs。*'用于从dbSNP派生出的模型生物SNP位置。
• FaFile ()(Rsamtools)来访问已索引的FASTA文件。
• 的筛选。变量效果得分。

注释记录包

以基因组为中心的包对于涉及基因组坐标的注释非常有用。它是直接的，例如，发现编码序列的坐标在感兴趣的区域，并从这些检索相应的DNA或蛋白质编码序列。其他易于使用基因组中心注释的操作类型的例子包括:定义RNA-seq实验中计数对齐读的感兴趣区域，检索ChIP-seq分析中感兴趣区域的DNA序列，例如，用于基序表征。

锻炼

该练习使用注释资源从基因符号“BRCA1”到与该基因相关的每个转录本的基因组坐标，最后到转录本的DNA序列。

1. 使用org.Hs.eg.db包从基因符号'BRCA1'映射到其Entrez标识符。使用这件事选择命令。
2. 使用txdb.hsapiens.ucsc.hg19.knowngene.检索成绩单名称的包(txname.)对应于BRCA1 Entrez标识符。(“org*”包基于NCBI的信息，其中Entrez标识符被标记为ENTREZID;我们使用的“TxDb*”包来自UCSC，在那里Entrez标识符被标记为GENEID)。

3. 使用cdsBy ()功能检索所有编码序列按转录分组的基因组坐标，并选择与我们感兴趣的标识符相对应的转录本。编码序列被返回为GRangesList，其中列表中的每个元素都是a农庄代表编码序列中外显子的对象。作为完整性检查，确保每个编码序列的外显子宽度之和能被3整除(R '模'算子)% %返回一个数除以另一个数的余数，在这种情况下可能有用)。

4. 可视化转录本在基因组坐标使用[Gviz][]包构建一个annotationtrack.，然后用plotTracks ()。

5. 使用Bsgenome.Hsapiens.UCSC.hg19包和extractTranscriptSeqs ()功能提取每个转录本的DNA序列。

解决方案

检索与BRCA1基因符号对应的Entrez标识符

select(org.Hs.eg.db， "BRCA1"， "ENTREZID"， "SYMBOL")[["ENTREZID"]]

从Entrez Gene标识符到转录名称的地图

库（TXDB.HSAPIENS.CucSC.HG19.knowngene）TXDB < -  TXDB.HSAPIENS.CUCSC.HG19.KCNOKGENE TXID < - 选择（TXDB，EID，“TXNAME”，“GeneID”）[[TxName“]

##警告:'select'导致1:键和返回行之间有很多映射

检索按抄本分组的所有编码序列，并选择与感兴趣的抄本id匹配的编码序列，验证每个编码序列宽度是3的倍数

brca1cds <- cds[names(cds) %in% txid] class(brca1cds)

## [1]“GrangeSlist”## attr（，包装“）## [1]”GenomicRanges“

长度（BRCA1CDS）

# # 20 [1]

CDS中的外显子

##带有22种范围和3个元数据列的嘉宾：## SEQNAMES范围股票|CDS_ID CDS_NAME ##    |<整数> <字符> ## [1] CHR17 [41276034,41276113]  -  |186246  ## [2] CHR17 [41267743,41267796]  -  |186245  ## [3] Chr17 [41258473,41258550]  -  |186243  ## [4] Chr17 [41256885,41256973]  -  |186241  ## [5] CHR17 [41256139,41256278]  -  |186240  ## ... ... ... ... ## [18] CHR17 [41209069,41209152]  -  |186218  ## [19] Chr17 [41203080,41203134]  -  |186217  ## [20] Chr17 [41201138,41201211]  -  | 186215  ## [21] chr17 [41199660, 41199720] - | 186214  ## [22] chr17 [41197695, 41197819] - | 186212  ## exon_rank ##  ## [1] 1 ## [2] 2 ## [3] 3 ## [4] 4 ## [5] 5 ## ... ... ## [18] 18 ## [19] 19 ## [20] 20 ## [21] 21 ## [22] 22 ## --- ## seqlengths: ## chr1 chr2 ... chrUn_gl000249 ## 249250621 243199373 ... 38502

cdswidth < - 宽度（brca1cds）＃宽度的所有外显子（（cdswidth）%% 3）== 0）＃CD中的总和，模数3

# # [1]

使用[Gviz]可视化BRCA1转录本)

要求(Gviz) anno <- AnnotationTrack(brca1cds) plotTracks(list(GenomeAxisTrack()， anno))

提取每个转录物的编码序列

BSgenome.Hsapiens.UCSC.hg19 (BSgenome.Hsapiens.UCSC.hg19)hg19 tx_seq <- extractTranscriptSeqs(genome, brca1cds) tx_seq

##长度为20 ##宽度SEQ名称## [1] 2280 ATGGATTTATCTGCTCTTCG ... TCCCCCCAGAGCCACTGA UC010WHL.2 ## [2] 5379 ATGAGCCTACAAGAAAGTAC ... TCCCCCACAGCCACTACTGA UC002ICP.4 ## [3] 522 ATGGATGCTGAGTTGTGTG.tcccccacagccactactga uc010whm.2 ## [4] 2100 AtggattTATCTGCTTTCG ... GCAATTGGGCAGATGTGTGA UC002ICU.3 ## [5] 5451 ATGCTGAAACTTCTCAACCA ... TCCCCCAGAGCCACTGA UC010CYX.3 ## ... ... ## [16] 4095ATGGATTTATCTGCTCTTCG ... AAAGCATGGATTCAAACTTA uc010cyy.1 ## [17] 4095 ATGGATTTATCTGCTCTTCG ... AAAGCATGGATTCAAACTTA uc010whs.1 ## [18] 3954 ATGCTGAAACTTCTCAACCA ... AAAGCATGGATTCAAACTTA uc010cyz.2 ## [19] 4017 ATGGATTTATCTGCTCTTCG ... AAAGCATGGATTCAAACTTA uc010cza.2## [20] 3207 atgaatgtagaaaaggctga ... aaagcatggattcaacta uc010wht.1

首先计算每个转录本所覆盖的基因组(从第一个外显子开始到最后一个外显子结束)的范围，然后取该范围与每个外显子覆盖的基因组坐标之间的(代数)差值，即可确定内含子的坐标

内含子< -  PSetDiff（范围（BRCA1CD），BRCA1CD）

检索内含子序列getSeq ()(这些都是不组装的方式extractTranscriptSeqs ()将外显子序列组装成成熟的转录本);请注意，内含子以适当的受体和供体位点序列开始和结束。

SEQ < -  Getseq（基因组，内含子）名称（SEQ）

# # uc010whl[1]”。2”“uc002icp。4“uc010whm。2”“uc002icu。3“uc010cyx。3" ## [6] "uc002icq。3“uc002ict。3“uc010whn。2”“uc010who。3“uc010whp。2" ## [11] "uc010whq。1”“uc002idc。1”“uc010whr。1”“uc002idd。3“uc002ide。1" ## [16] "uc010cyy。1”“uc010whs。1”“uc010cyz。2”“uc010cza。2”“uc010wht.1”

seq[[”uc010whl。2"]] # 21内含子

##长度21 ##宽度SEQ ##的DNAStringSet实例[1] 1840 GTAAGGTGCCTGCATGTACCTGTGCTATATG ... CTAATCTCTGCTTGTGTTCTCTGTCTCCAG ## [2] 1417 GTAAGTATTGGGTGCCCTGTCAGAGAGGGAG ... TTGAATGCTCTTTCCTTCCTGGGGATCCAG ## [3] 1868 GTAAGAGCCTGGGAGAACCCCAGAGTTCCAG ... AGTGATTTTACATCTAAATGTCCATTTTAG ## [4]5934 GTAAAGCTCCCTCCCTCAAGTTGACAAAAAT ... CTGTCCCTCTCTCTTCCTCTCTTCTTCCAG ## [5] 6197 GTAAGTACTTGATGTTACAAACTAACCAGAG ... TCCTGATGGGTTGTGTTTGGTTTCTTTCAG ## ... ... ... ## [17] 4241 GTAAAACCATTTGTTTTCTTCTTCTTCTTCT ... TGCTTGACTGTTCTTTACCATACTGTTTAG ## [18] 606 ... GTAAGTGTTGAATATCCCAAGAATGACACTC AAACATAATGTTTTCCCTTGTATTTTACAG## [19] 1499 GTATATAATTTGGTAATGATGCTAGGTTGGA ... GAGTGTGTTTCTCAAACAATTTAATTTCAG ## [20] 9192 GTAAGTTTGAATGTGTTATGTGGCTCCATTA ... AATTGTTCTTTCTTTCTTTATAATTTATAG ## [21] 8237 GTAAGTCAGCACAAGAGTGTATTAATTTGGG ... TTTTCTTTTTCTCCCCCCCTACCCTGCTAG

rtracklayer.

的rtracklayer.包允许我们查询UCSC基因组浏览器，以及提供进口（）和export ()用于通用注释文件格式(如GFF、GTF和BED)的函数。

锻炼

在这里,我们使用rtracklayer.检索ENCODE项目中跨细胞系识别的雌激素受体结合位点。我们的重点是结合位点附近的一个特别有趣的兴趣区域。

1. 通过创建农庄实例与适当的基因组坐标。我们的区域对应于一个特定基因的10Mb的上游和下游。
2. 为UCSC基因组浏览器创建一个会话
3. 通过UCSC基因组浏览器查询ENCODE雌激素受体ERalpha\(_a \)转录标记;识别合适的轨迹、表和转录因子需要生物学知识和检测工作。
4. 可视化结合位点的位置和它们的分数;注释感兴趣区域的中点。

解决方案

定义感兴趣的区域

图书馆（基因组）ROI < -  GRANGES（“CHR10”，绞喉（92106877,112106876，名称=“ENSG00000099194”））

创建一个会话

library(rtracklayer) session <- browserSession()

查询UCSC的特定轨道，表，转录因子，在我们感兴趣的地区

trackname < - “wgencoderegtfbsclusteredv2”tablename < - “wgencoderegtfbsclusteredv2”trfactor < - “eralpha_a”ucsctable < -  gettable（ucsctablequery（会话，track = trackname，范围= roi，table = tablename，name = tractor）））

可视化的结果

abline(v=start(roi) + end(roi) - start(roi) + 1) / 2, col="blue")