我有大约2000个GI编号的集合，我需要将其映射到HGNC（aka HUGO）基因名称。
作为数据分析管道的一部分，我将来必须反复进行类似的映射，所以我想以编程方式进行映射（而不是通过在某些交互式上剪切和粘贴2K GI编号）工具的界面）。此外，我只能使用免费软件。我对Python和Perl感到最舒服，虽然我可以使用R和Java，以及其他任何东西（Ruby，MATLAB，Tcl等）。
（这篇文章的其余部分对于这个问题并不重要。我在其中提供了额外的背景信息，FWIW。它越来越技术化到最后;这些内容仅对那些熟悉NCBI {{1}的人有意义。 } interface。）
一种可能性是从网页上为每个GI编号（example）抓取HGNC ID，但这些页面使用JavaScript加载其内容，这使得它们超出了我的网络抓取能力。
即使我可以进行此类网页抓取，结果也必然低于从适当的网络服务API获得的结果。
不幸的是，我还没有找到任何“官方”服务，以编程方式将GI编号直接映射到HGNC / HUGO基因名称。我对此有最好的希望是NCBI的eutils界面，但是我无法找到一种方法来执行我之后的直接映射。 （如果我错了，请纠正我！）
我能想到的最好的是2跳映射：使用eutils（或更确切地说，是eutils Python模块提供的eutils的接口）来映射GI数字到Entrez Gene ID，然后使用来自HGNC的综合表downloaded将这些Entrez基因ID映射到HGNC / HUGO基因名称。
像往常一样，这种多跳映射的“损耗率”非常糟糕：所有GI数的~25％被映射到某些 HGNC / HUGO基因名称。 （我还没有估计这些映射中有多少实际上是正确的。）
我尝试使用Python的bioservices.eutils库进行此映射的第一跳，但是能够以这种方式仅获得大约四分之一2K GI数的Entrez基因ID。更具体地说，这就是我使用的，实质上是：
bioservices.eutils对from bioservices import EUtils
s = EUtils()
xml = s.ELink(db='gene', dbfrom='protein', Ids='395398606')
# ...now parse the returned xml to get the returned Entrez gene id(s)
的调用会产生以下形式的HTTP请求：
s.ELink如果有一个更好的http://eutils.ncbi.nlm.nih.gov/entrez/eutils/elink.fcgi?db=gene&dbfrom=protein&id=395398606&cmd=neighbor
命令将GI编号映射到Entrez基因ID而不是这个，请告诉我。更好的是，如果有更好的eutils命令将GI编号直接映射到HGNC / HUGO基因名称，请告诉我。
答案 0 :(得分：0)
您可以从UCSC Genome Browser作为MySql表获得所需内容 - 可以使用您提到的大多数语言来查询，但我的偏好是python。
答案 1 :(得分：0)
如果我能够通过网络抓取从NCBI获得所需的信息，那么您需要从这些页面获得哪些信息。让我们说明你需要从example获得哪些细节。
如果您在页面中提供所需内容，我可以用PHP编写代码，以获取您需要的任意数量的GI ID信息。