← 返回 Tessera
生信7.9 万 行 × 12 列12.3 MB3 列有缺失数据 2026-04-17

gene_ref_mouse

小鼠基因注释参照表，七万多行——和 gene_ref_human 同源同结构，做跨物种同源比对或者验证一套流程能不能换物种跑通时成对使用。

Ensembl（经 evanverse::download_gene_ref） · 收录于 2026-04-17

下载 CSV · 12.3 MB
数据预览前 6 行
ensembl_idsymbolentrez_idgene_typechromosomestartendstranddescriptionspeciesensembl_versiondownload_date
ENSMUSG00000064336mt-TfNAMt_tRNAMT1681mitochondrially encoded tRNA phenylalanine [Source:MGI Symbol;Acc:MGI:102487]mouse1152026-04-17
ENSMUSG00000064337mt-Rnr1NAMt_rRNAMT701,0241mitochondrially encoded 12S rRNA [Source:MGI Symbol;Acc:MGI:102493]mouse1152026-04-17
ENSMUSG00000064338mt-TvNAMt_tRNAMT1,0251,0931mitochondrially encoded tRNA valine [Source:MGI Symbol;Acc:MGI:102472]mouse1152026-04-17
ENSMUSG00000064339mt-Rnr2NAMt_rRNAMT1,0942,6751mitochondrially encoded 16S rRNA [Source:MGI Symbol;Acc:MGI:102492]mouse1152026-04-17
ENSMUSG00000064340mt-Tl1NAMt_tRNAMT2,6762,7501mitochondrially encoded tRNA leucine 1 [Source:MGI Symbol;Acc:MGI:102482]mouse1152026-04-17
ENSMUSG00000064341mt-Nd117,716protein_codingMT2,7513,7071mitochondrially encoded NADH dehydrogenase 1 [Source:MGI Symbol;Acc:MGI:101787]mouse1152026-04-17
变量12 列
字符型7整数5
类型
#变量类型缺失统计
1ensembl_idkey字符型—不同值 78334ENSMUSG00000094739 · ENSMUSG00000093868 · ENSMUSG00000096122 · ENSMUSG00000119368 · ENSMUSG00000118928 · ENSMUSG00000118687 · ENSMUSG00000118970 · ENSMUSG00000119766
2symbol字符型740不同值 77474Gm20806 · Gm20809 · Gm21943 · Gm22170 · Gm25547 · Gm24458 · Gm25709 · Gm23512
3entrez_id整数50064min 11,287q1 —中位 192,651均值 2.4e+7q3 —max 1.4e+8
4gene_type字符型—不同值 37lncRNA · protein_coding · processed_pseudogene · TEC · miRNA · unprocessed_pseudogene · snRNA · snoRNA
5chromosome字符型—不同值 387 · 2 · 1 · 5 · 11 · 4 · 6 · 3
6start整数—min 1q1 —中位 7.0e+7均值 7.3e+7q3 —max 2.0e+8
7end整数—min 68.0q1 —中位 7.0e+7均值 7.3e+7q3 —max 2.0e+8
8strand整数—min -1q1 —中位 1均值 0.00151q3 —max 1
9description字符型53不同值 77841novel transcript · novel protein · predicted gene, 20806 [Source:MGI Symbol;Acc:MGI:5434162] · predicted gene, 20809 [Source:MGI Symbol;Acc:MGI:5434165] · predicted gene, 21943 [Source:MGI Symbol;Acc:MGI:5439394] · predicted gene, 22170 [Source:MGI Symbol;Acc:MGI:5451947] · predicted gene, 25547 [Source:MGI Symbol;Acc:MGI:5455324] · predicted gene, 24458 [Source:MGI Symbol;Acc:MGI:5454235]
10species常量，全表都是 mouse字符型—不同值 1mouse
11ensembl_version常量，全表都是 115整数—min 115.0q1 —中位 115.0均值 115.0q3 —max 115.0
12download_date常量，这份快照的抓取日字符型—不同值 12026-04-17
载入已写好列类型
library(readr)

gene_ref_mouse <- read_csv(
  "https://assets.evanzhou.org/tessera/csv/gene_ref_mouse.csv",
  col_types = cols(
    ensembl_id      = col_character(),
    symbol          = col_character(),
    entrez_id       = col_integer(),
    gene_type       = col_character(),
    chromosome      = col_character(),
    start           = col_integer(),
    end             = col_integer(),
    strand          = col_integer(),
    description     = col_character(),
    species         = col_character(),
    ensembl_version = col_integer(),
    download_date   = col_character()
  )
)
URLhttps://assets.evanzhou.org/tessera/csv/gene_ref_mouse.csv

来源

Ensembl 的小鼠基因注释，用 evanverse::download_gene_ref("mouse") 导出。列结构和 gene_ref_human 完全一致，脚本也是同一份，只换了物种参数——所以两份可以直接摞起来或者对着比。

用之前要知道的

和人类那份结构相同但质量差别很大，这也是把两份都收进来的理由之一：

human mouse
symbol 缺失 40268（44%） 740（0.9%）
chromosome 不同值 528 38
entrez_id 缺失 54923（60%） 50064（63%）

小鼠注释里 symbol 几乎是满的，scaffold 也少得多——拿它练 ID 转换比人类那份顺利得多，但也因此练不到"映射不上怎么办"。要练缺失处理就用人类那份。

ensembl_id 同样不是唯一键。 78873 行里 78334 个不同 ID，539 行是扇出来的，原因和人类那份一样：同一个 Ensembl 基因对多个 Entrez ID，其余列完全相同。join 前先想清楚要不要 distinct()。

entrez_id 仍然缺六成，跨物种同源映射时这一列基本指望不上，走 symbol 或者专门的同源数据库更实际。

适用图形

图形结构 用途
排序条形图 gene_type 构成，37 类，和人类那份对着看
成对条形图 人鼠两份的基因类型数量对比
染色体密度图 按 chromosome 分组、start 定位；小鼠只有 38 个值，不用先筛 scaffold
直方图 基因长度（end − start）分布，跨度极大，要取对数

和人类那份并排画时，注意两个物种的基因总数和染色体条数都不同，比"数量"意义不大，比"构成比例"才对。

生成脚本R · 38 行
# Generate the mouse gene reference dataset for Tessera.
# Run from the repository root:
# Rscript assets/toy/bioinformatics/gene_ref_mouse.R

out_dir <- file.path("assets", "toy", "bioinformatics")
out_csv <- file.path(out_dir, "gene_ref_mouse.csv")

dir.create(out_dir, recursive = TRUE, showWarnings = FALSE)

gene_ref <- evanverse::download_gene_ref("mouse")

expected_cols <- c(
  "ensembl_id",
  "symbol",
  "entrez_id",
  "gene_type",
  "chromosome",
  "start",
  "end",
  "strand",
  "description",
  "species",
  "ensembl_version",
  "download_date"
)

missing_cols <- setdiff(expected_cols, names(gene_ref))
if (length(missing_cols) > 0L) {
  stop(
    "download_gene_ref() output is missing columns: ",
    paste(missing_cols, collapse = ", ")
  )
}

gene_ref <- gene_ref[, expected_cols]
utils::write.csv(gene_ref, out_csv, row.names = FALSE, na = "")

message("Wrote ", out_csv, " with ", nrow(gene_ref), " rows and ", ncol(gene_ref), " columns.")

表中统计由 scripts/profile_dataset.py 于 2026-08-03 数出。