Question

注意：我不是在询问Bioconductor特定的问题，但我在示例代码中需要Bioconductor。拜托我。

您好，

我有许多制表符分隔文件，其中包含有关特定基因的各种类型的信息。一个或多个列可以是Geneases to Gene Symbols，我需要升级到最新的Gene Symbol注释。

我正在使用Bioconductor的org.Hs.eg.db库来执行此操作（特别是org.Hs.egALIAS2EG和org.Hs.egSYMBOL对象）。

报告的代码完成了这项工作，但速度很慢，我猜是因为在每次迭代时都会查询org.Hs.eg.db数据库的嵌套for循环。是否有更快/更简单/更智能的方法来实现相同的结果？

library(org.Hs.eg.db)

myTable <- read.table("tab_delimited_file.txt", header=TRUE, sep="\t", as.is=TRUE)

for (i in 1:nrow(myTable)) {
    for (j in 1:ncol(myTable)) {
        repl <- org.Hs.egALIAS2EG[[myTable[i,j]]][1]
        if (!is.null(repl)) {
            repl <- org.Hs.egSYMBOL[[repl]][1]
            if (!is.null(repl)) {
                myTable[i,j] <- repl
            }
        }
    }
}

write.table(myTable, file="new_tab_delimited_file", quote=FALSE, sep="\t", row.names=FALSE, col.names=TRUE)

我正在考虑使用apply函数之一，但请记住org.Hs.egALIAS2EG和org.Hs.egSYMBOL是对象，而不是函数。

谢谢！

Answer 1

使用mget功能。

eg[i,] <- mget( myTable[i,],  org.Hs.egALIAS2EG )
symbol[i, ] <- mget( myTable[i,], org.Hs.egSYMBOL )

等。这是它应该被使用的方式，并且比eny其他替代方案快得多。然而，将myTable重塑为基因名称载体可能是值得的：

v <- unique( as.vector( as.matrix( myTable ) ) )
v <- v[ v %in% ls( org.Hs.egALIAS2EG ) ]
eg <- unlist( mget( v, org.Hs.egALIAS2EG ) )
symbol <- unlist( mget( eg, org.Hs.egSYMBOL ) )

等。上面的第二行确保您只查找数据库中实际存在的符号。现在，您可以使用符号表再次修改表。假设不是myTable的所有元素匹配，这是一种可以做到的方法。为简洁起见，我将表格复制到t：

t <- as.matrix( myTable )
names( symbol ) <- v
t[ !is.na( match( t, v ) ) ] <- symbol[ match( t, v ) ][ ! is.na( match( t, v ) ) ]

行。这假设我们正在使用矩阵（或多或少）的字符。但是，坦率地说，您只有一个包含两列的数据框，因此无需真正自动化代码，就好像您有数百列一样。让我们写一点功能。（如果我们可以假设你的表中的所有元素都可以在org.Hs.egALIAS2EG中找到那么会更简单）

convert2symbol <- function( x ) {
  v <- unique( as.character( x ) )
  v <- v[ v %in% ls( org.Hs.egALIAS2EG ) ]
  eg <- unlist( mget( v, org.Hs.egALIAS2EG ) )
  symbol <- unlist( mget( eg, org.Hs.egSYMBOL ) )
  m <- match( x, v )
  v[ ! is.na( m ) ] <- symbol[ m ][ ! is.na( m ) ]
  v
}

现在你可以

myTable$LigandGene <- convert2symbol( myTable$LigandGene )

或

newTable <- apply( myTable, 2, convert2symbol )

至于为什么as.vector（data.frame）不起作用：data.frame不是矩阵。它是一个以奇特的方式显示的列表，并在其上定义了[]函数。

Answer 2

您可以使用sapply并命名几个不是向量的变量，例如org.Hs.eg.db库中的对象：

library(org.Hs.eg.db)
myTable <- read.table("tab_delimited_file.txt", header=TRUE, sep="\t", as.is=TRUE)

myfunc <- function(idx,mytab,a2e,es){
            i = idx %/% nrow(mytab) + 1
            j = idx %% ncol(mytab) + 1
            repl <- a2e[[myTable[i,j]]][1];
            if (!is.null(repl)) {
              repl <- es[[repl]][1]
              if (!is.null(repl)) {
                return(repl)
              }
            }
            else {return("NA")}
          }

vec <- 0:(ncol(myTable)*nrow(myTable)-1)
out <- sapply(vec,mytab=myTable,a2e=org.Hs.egALIAS2EG,es=org.Hs.egSYMBOL,myfunc)
myTable <- matrix(out, nrow=nrow(myTable),ncol=ncol(myTable),byrow=T)

Answer 3

快速警告：别名可以映射到多个Entrez Gene ID。

因此，您当前的解决方案假设第一个列出的ID是正确的（可能不是这样）。

# e.g. The alias "A1B" is assumed to map to "1" and not "6641"
mget("A1B", org.Hs.egALIAS2EG)
# $A1B
# [1] "1"    "6641"

如果您查看?org.Hs.egALIAS2EG的帮助，您会发现绝不建议使用别名或符号作为主要基因标识符。

## From the 'Details' section of the help:
# Since gene symbols are sometimes redundantly assigned in the literature, 
# users are cautioned that this map may produce multiple matching results 
# for a single gene symbol. Users should map back from the entrez gene IDs 
# produced to determine which result is the one they want when this happens.

# Because of this problem with redundant assigment of gene symbols, 
# is it never advisable to use gene symbols as primary identifiers.

如果没有手动策划，则无法知道哪个ID“正确”。因此，您最安全的选择是获取表中每个别名的所有可能的ID和符号，同时保留哪些是受体以及哪些是配体的信息：

# your example subset with "A1B" and "trash" added for complexity
myTable <- data.frame(
    ReceptorGene = c("A1B", "ACVR2B", "ACVR2B", "ACVR2B", "ACVR2B", "AMHR2", "BLR1", "BMPR1A", "BMPR1A", "BMPR1A", "BMPR1A", "BMPR1A"),
    LigandGene = c("trash", "INHA", "INHBA", "INHBB", "INHBC", "AMH", "SCYB13", "BMP10", "BMP15", "BMP2", "BMP3", "BMP4"), 
    stringsAsFactors = FALSE
)

# unlist and rename
my.aliases <- unlist(myTable)
names(my.aliases) <- paste(names(my.aliases), my.aliases, sep = ".")

# determine which aliases have a corresponding Entrez Gene ID
has.key <- my.aliases %in% keys(org.Hs.egALIAS2EG)

# replace Aliases with character vectors of all possible entrez gene IDs 
my.aliases[has.key] <- sapply(my.aliases[has.key], function(x) {
    eg.ids <- unlist(mget(x, org.Hs.egALIAS2EG))
    symbols <- unlist(mget(eg.ids, org.Hs.egSYMBOL))
})

# my.aliases retains all pertinent information regarding the original alias
my.aliases[1:3]
# $ReceptorGene1.A1B
#       1    6641 
#  "A1BG" "SNTB1" 
# 
# $ReceptorGene2.ACVR2B
#       93 
# "ACVR2B" 
# 
# $ReceptorGene3.ACVR2B
#       93 
# "ACVR2B"

一旦您知道哪些Entrez Gene ID是合适的，您就可以将它们作为附加列存储在您的桌子上。

myTable$receptor.id <- c("1", "93", "93", "93", "93", "269", "643", "657", "657", "657", "657", "657") 
myTable$ligand.id   <- c(NA, "3623", "3624", "3625", "3626", "268", "10563", "27302", "9210", "650", "651", "652")

然后，当您需要更新到最新的符号时，您可以使用Entrez Gene ID（永远不需要更新）。

has.key <- myTable$receptor.id %in% keys(org.Hs.egSYMBOL)
myTable$ReceptorGene[has.key] <- unlist(mget(myTable$receptor.id[has.key], org.Hs.egSYMBOL))

has.key <- myTable$ligand.id %in% keys(org.Hs.egSYMBOL)
myTable$LigandGene[has.key] <- unlist(mget(myTable$ligand.id[has.key], org.Hs.egSYMBOL))

head(myTable)
#   ReceptorGene LigandGene receptor.id ligand.id
# 1         A1BG      trash           1      <NA>
# 2       ACVR2B       INHA          93      3623
# 3       ACVR2B      INHBA          93      3624
# 4       ACVR2B      INHBB          93      3625
# 5       ACVR2B      INHBC          93      3626
# 6        AMHR2        AMH         269       268

Answer 4

这是我能想到的最好的。

首先写一个函数：

alias2GS <- function(x) {
    for (i in 1:length(x)) {
        if (!is.na(x[i])) {
            repl <- org.Hs.egALIAS2EG[[x[i]]][1]
            if (!is.null(repl)) {
                repl <- org.Hs.egSYMBOL[[repl]][1]
                if (!is.null(repl)) {
                    x[i] <- repl
                }
            }
        }
    }
    return(x)
}

然后为需要转换的数据帧的每一列调用函数，如下所示：

df$GeneSymbols <- alias2GS(df$GeneSymbols)

转换/更新表中基因ID的最快方法？

4 个答案: