所有物種基因Symbol別名轉換爲最新Symbol

需求

在數據分析中會經常出現感興趣的基因不在矩陣中，可能的原因是沒有測到或舊版Symbol。因此需要找到舊版Symbol（Alias別名）和最新Symbol（Current Symbol）之間的對應關系。

bq.tl.current_symbol可以把（表達）矩陣中的Symbol變爲最新版

第一個蓡數數據框（index爲Symbol）第二個蓡數Symbol與Alias對應關系文件路逕第三個蓡數物種tax_id比如人的是9606。

SymbolAlias_20230317.feather的獲取可以發送郵件到victor@bioquest.cn

從NCBI下載最新的基因信息/gene/DATA/gene_info.gz

import numpy as np
import pandas as pd

import bioquest as bq

得到Symbol與Alias對應關系

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]

使用示例示例數據

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

轉換

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]