所有物种基因Symbol别名转换为最新Symbol

<生信交流与合作请关注公众号@生信探索>

需求

在数据分析中会经常出现感兴趣的基因不在矩阵中，可能的原因是没有测到和旧版Symbol。因此需要找到旧版Symbol（Alias别名）和最新Symbol（Current Symbol）之间的对应关系。

bq.tl.current_symbol可以把（表达）矩阵中的Symbol变为最新版

• 第一个参数数据框（index为Symbol）
• 第二个参数Symbol与Alias对应关系文件路径
• 第三个参数物种tax_id比如人的是9606。

SymbolAlias_20230317.feather的获取可以发送邮件到victor@bioquest.cn

从NCBI下载最新的基因信息https://ftp.ncbi.nih.gov/gene/DATA/gene_info.gz

import numpy as np
import pandas as pd

import bioquest as bq

得到Symbol与Alias对应关系

g=pd.read_csv("gene_info_20230317.gz",sep='\t',usecols=['#tax_id','GeneID','Symbol','Synonyms'])
g.rename(columns={"#tax_id":"tax_id"},inplace=True)
g.loc[:,"Alias"]=g.Synonyms.str.split('|')
g = g.explode("Alias")
g = bq.tl.select(g,columns=["tax_id","GeneID","Symbol","Alias"])
g.reset_index(drop=True,inplace=True)
g.replace({'Alias': {'-':''}},inplace=True)
g.to_feather("SymbolAlias_20230317.feather",compression='zstd',compression_level=1)

           tax_id    GeneID       Symbol Alias
0               7   5692769     NEWENTRY      
1               9   2827857     NEWENTRY      
2              11  10823747     NEWENTRY      
3              14   6951813     NEWENTRY      
4              19   3758873     NEWENTRY      
...           ...       ...          ...   ...
44205723  3032134  60460443          ND6      
44205724  3032134  60460444          ND1      
44205725  3032134  60460445  I9997_mgr02      
44205726  3032134  60460446  I9997_mgt22      
44205727  3032134  60460447  I9997_mgr01      

[44205728 rows x 4 columns]

使用示例

• 示例数据

df = pd.read_csv("BLCA.csv",index_col="Gene Symbol")
#                                                      Gene Name       Species
# Gene Symbol                                                                 
# ATP2B1            ATPase, Ca++ transporting, plasma membrane 1  Homo sapiens
# MYL6         myosin, light chain 6, alkali, smooth muscle a...  Homo sapiens
# RPS16                                    ribosomal protein S16  Homo sapiens
# HIST1H2BA                              histone cluster 1, H2ba  Homo sapiens
# H2AFY2                           H2A histone family, member Y2  Homo sapiens
# ...                                                        ...           ...
# UBB                                                ubiquitin B  Homo sapiens
# PYGB                            phosphorylase, glycogen; brain  Homo sapiens
# HLA-A             major histocompatibility complex, class I, A  Homo sapiens
# HSPA1A                             heat shock 70kDa protein 1A  Homo sapiens
# HSP90AB1     heat shock protein 90kDa alpha (cytosolic), cl...  Homo sapiens

• 转换

bq.tl.current_symbol(frame=df,reference="SymbolAlias_20230317.feather", tax_id=9606)
#                                                   Gene Name       Species  \
# H2BC1                                histone cluster 1, H2ba  Homo sapiens   
# MACROH2A2                      H2A histone family, member Y2  Homo sapiens   
# H3-3B                          H3 histone, family 3B (H3.3B)  Homo sapiens   
# H1-5                                  histone cluster 1, H1b  Homo sapiens   
# DARS1                               aspartyl-tRNA synthetase  Homo sapiens   
# ...                                                      ...           ...   
# UBB                                              ubiquitin B  Homo sapiens   
# PYGB                          phosphorylase, glycogen; brain  Homo sapiens   
# HLA-A           major histocompatibility complex, class I, A  Homo sapiens   
# HSPA1A                           heat shock 70kDa protein 1A  Homo sapiens   
# HSP90AB1   heat shock protein 90kDa alpha (cytosolic), cl...  Homo sapiens   

#                Alias  
# H2BC1      HIST1H2BA  
# MACROH2A2     H2AFY2  
# H3-3B          H3F3B  
# H1-5        HIST1H1B  
# DARS1           DARS  
# ...              ...  
# UBB              NaN  
# PYGB             NaN  
# HLA-A            NaN  
# HSPA1A           NaN  
# HSP90AB1         NaN  

# [378 rows x 3 columns]