01基因 ID 转换与注释

Gene symbol、Ensembl gene ID 和 Entrez gene ID 都可以标识基因，但它们来自不同维护体系，不是可以随意互换的字符串格式。转换时真正要确定的是：物种、来源数据库、注释版本，以及遇到一对多和未匹配记录时怎样处理。

常见资源与 R 接口：

不存在对所有物种、版本和目标字段都最好的单一方法。选择接口之前，先确定结果需要哪一种 ID 作为主键。

先识别输入 ID

典型形式包括：

TP53                 gene symbol
ENSG00000141510      Ensembl gene ID
ENSG00000141510.18   带版本号的 Ensembl gene ID
7157                 Entrez gene ID

带点号的 Ensembl 版本后缀可能需要拆开后再查询：

ensembl_with_version <- c(
  "ENSG00000141510.18",
  "ENSG00000146648.22"
)

ensembl_id <- sub("\\..*$", "", ensembl_with_version)

不要直接修改原始列。保留原始 ID，并建立单独的标准化查询列，后续才能追踪哪些变化来自清理、哪些来自数据库映射。

Gene symbol 的大小写也与物种有关。人类 symbol 常以大写展示，小鼠 symbol 常采用首字母大写形式；把字符串机械转换为大写或小写不等于完成物种映射。

使用 biomaRt 查询 Ensembl

连接人类 Ensembl gene dataset：

library(biomaRt)

ensembl <- useMart(
  biomart = "ensembl",
  dataset = "hsapiens_gene_ensembl"
)

从 HGNC symbol 查询 Ensembl ID 与坐标：

symbols <- c("AATK", "STAT3", "TP53")

annotation <- getBM(
  attributes = c(
    "hgnc_symbol",
    "ensembl_gene_id",
    "chromosome_name",
    "start_position",
    "end_position",
    "strand"
  ),
  filters = "hgnc_symbol",
  values = symbols,
  mart = ensembl
)

annotation

attributes 决定返回字段，filters 决定输入 ID 类型。查询坐标时还必须记录 Ensembl release 和 genome assembly；同一个 gene ID 的边界可能随 annotation 更新。

在线查询适合字段丰富、物种选择灵活的任务，但结果依赖网络和数据库状态。正式项目应保存查询代码、返回表和版本信息，不能只保存最终转换后的一列 ID。

使用 OrgDb 与 AnnotationDbi

人类常用 org.Hs.eg.db，小鼠常用 org.Mm.eg.db：

library(AnnotationDbi)
library(org.Hs.eg.db)

先查看支持的 key types 与 columns：

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

从 symbol 查询 Ensembl 与 Entrez ID：

annotation <- select(
  org.Hs.eg.db,
  keys = c("AATK", "STAT3", "TP53"),
  keytype = "SYMBOL",
  columns = c("SYMBOL", "ENSEMBL", "ENTREZID")
)

annotation

本地 annotation package 便于复现和批量查询，但其内容对应 package 构建时收录的数据库版本。记录：

packageVersion("org.Hs.eg.db")

select() 可能返回一对多关系，例如一个 symbol 对应多个历史或当前 identifiers。返回行数大于输入长度不是函数出错，而是映射关系本身需要决定。

使用 clusterProfiler::bitr()

富集分析流程中可以使用 bitr()：

library(clusterProfiler)

converted <- bitr(
  c("AATK", "STAT3", "TP53"),
  fromType = "SYMBOL",
  toType = c("ENSEMBL", "ENTREZID"),
  OrgDb = org.Hs.eg.db
)

converted

bitr() 仍然依赖 OrgDb 的映射。它简化了接口，但不会自动解决重复、旧 symbol、物种错误或未匹配记录。用于 enrichment 前，应报告多少输入基因成功进入目标 ID 空间。

在数据框中保留映射轨迹

不要只取转换结果向量后按行位置塞回原表。先保留原始 key，再做显式连接：

input <- data.frame(
  original_order = 1:4,
  symbol = c("TP53", "STAT3", "AATK", "NOT_A_GENE")
)

mapping <- AnnotationDbi::select(
  org.Hs.eg.db,
  keys = unique(input$symbol),
  keytype = "SYMBOL",
  columns = c("ENSEMBL", "ENTREZID")
)

result <- merge(
  input,
  mapping,
  by.x = "symbol",
  by.y = "SYMBOL",
  all.x = TRUE,
  sort = FALSE
)

result <- result[order(result$original_order), ]

all.x = TRUE 保留未匹配输入。若映射是一对多，连接后同一原始行会展开成多行；这是需要审查的结果，不能用 !duplicated() 随意留下第一条。

使用个人封装

高频流程可以把标准化、查询与检查封装成函数。例如 evanverse::convert_gene_id() 接受向量或数据框，并在 symbol、Ensembl 与 Entrez ID 之间转换：

library(evanverse)

converted <- convert_gene_id(
  query = c("AATK", "STAT3", "TP53"),
  from = "symbol",
  to = c("ensembl_id", "entrez_id"),
  species = "human"
)

数据框输入：

converted <- convert_gene_id(
  query = data.frame(gene = c("AATK", "STAT3")),
  query_col = "gene",
  from = "symbol",
  to = "ensembl_id",
  species = "human"
)

封装适合统一重复工作，但应能够暴露或记录底层 reference table、版本、匹配率和一对多处理规则。否则接口越方便，来源差异越容易被隐藏。

转换后的质量检查

至少记录以下数量：

n_input <- length(unique(input$symbol))
n_matched <- length(unique(result$symbol[!is.na(result$ENSEMBL)]))
n_unmatched <- n_input - n_matched

c(
  input = n_input,
  matched = n_matched,
  unmatched = n_unmatched
)

并检查：

1. 输入和 reference 是否属于同一物种；
2. Ensembl IDs 是否带版本后缀；
3. gene symbol 是否包含旧名、别名或不可识别值；
4. 是否出现一对多或多对一；
5. 转换后是否因重复映射改变行数；
6. 未匹配记录是否被保留并单独查看；
7. 坐标使用哪个 genome build；
8. 数据库或 annotation package 版本是否记录。

Gene ID conversion 不是简单的字符串替换，而是一次数据库连接。最安全的结果不是只有“转换后的 ID”，而是同时保留原始 ID、目标 ID、映射来源、版本和匹配状态。