基因名坑你沒商量 --微生信教你填基因名的坑
基因名字是我們?nèi)粘?shù)據(jù)分析、閱讀文獻(xiàn)中最常見的一類術(shù)語，以下根據(jù)自己工作經(jīng)驗(yàn)探討下基因名在生物信息學(xué)數(shù)據(jù)分析中常見的坑！
坑1：一個基因有兩種名字
基因的名字分成兩種：
一種是給計(jì)算機(jī)看的，也就是各種數(shù)據(jù)庫中的基因ID，最常用的基因id數(shù)據(jù)庫來源包括：Ensembl，NCBI，UCSC等；
另一種是給人看的，就是我們常見的gene symbol，例如TP53。
所以，根據(jù)名字來判斷是哪個數(shù)據(jù)庫中的id，是數(shù)據(jù)分析小伙伴的“職業(yè)修養(yǎng)”。
對于human來說，推薦使用Genecards(https://www.genecards.org)網(wǎng)站進(jìn)行查詢。
坑2：基因名字是變化的
基因名不是一成不變的。隨著我們對基因更加深入地了解，基因名也會更新。
以這篇M5C regulator-mediated methylation modification patterns and tumor microenvironment infiltration characterization in lung adenocarcinoma（Translational lung cancer research，IF:6.498)為例。
啥？13個m5C修飾相關(guān)基因中僅11個有表達(dá)。TCGALUAD中有幾百例樣品，其中有2個基因在這幾百例里邊都沒有表達(dá)？不合邏輯??！
經(jīng)過查詢，我們發(fā)現(xiàn)，不是這兩個基因沒有表達(dá)，是人家名字變了。
DNMT2的新名字是TRDMT1；NSUN1的新名字是NOP2。估計(jì)是分析人員直接用的舊名字搜索，發(fā)現(xiàn)TCGA里邊沒有這兩個名字，所以就認(rèn)為人家沒有表達(dá)了。這個坑有點(diǎn)大??！
因?yàn)槲墨I(xiàn)里邊的名字一般都是滯后的，當(dāng)遇見報(bào)告里邊只給一列gene symobl的時候，你文獻(xiàn)里邊的基因可能在你數(shù)據(jù)里邊就查不到。
坑3：Excel會改變你的基因名
這個坑影響面很廣，很早之前就被期刊報(bào)告過。
由于我們一般都是用excel打開數(shù)據(jù)，所以如果公司給你的不是真正的excel格式的文件，比如txt文件，tsv文件，csv文件，實(shí)際為txt格式的xls文件等的時候，這個坑你就要想辦法自己填了。直接粘貼到excel里邊也不一定行，你需要的是真正的excel格式。
常見被excel改變的基因包括：
2310009E13
FEB2
MAR1
DEC1
2310009E13
OCT4
APR1
SEP2
SEP-1
FEB1–FEB11
MARCH1–MARCH11
SEPT1–SEPT14
小貼士：我們是直接給客戶excel格式文件滴，雖然增加了代碼量，但是不會讓客戶踩坑。
坑4：基因名是區(qū)分大小寫的
對于純數(shù)字id的基因名是無所謂的，但是對于帶有字母的基因名來說，字母是區(qū)分大小寫的，有的是全部大寫，有的是首字母大寫，有的是全部小寫。比如人類的基因名字絕大部分都是大寫，但是也有極個別是小寫，例如C12orf45。所以在做匹配等的時候，C12orf45和C12ORF45是不一樣的。這時需要使用lower或者upper函數(shù)將名字全部轉(zhuǎn)成小寫或者大寫，然后再進(jìn)行匹配。
坑5：Not Available的基因名
基因名也是很詭異的，比如你見過基因名為NA的基因嗎？雖然它現(xiàn)在已經(jīng)華麗麗地變身成了XK，BUT部分?jǐn)?shù)據(jù)庫中用的還是NA。例如我們下載的cBioportal網(wǎng)站數(shù)據(jù)集Stomach Adenocarcinoma (TCGA Firehose Legacy) RNAseq數(shù)據(jù)中，基因名還是NA。
NA本身沒有問題，但是如果你用R來讀取的話，坑就出現(xiàn)了：In R (or R Studio), NA stands for Not Available. Each cell of your data that displays NA is a missing value。難怪我讀了好多次都讀不進(jìn)去，這個坑也太坑了。
坑6：一個名字兩個基因？
這種現(xiàn)象也非常常見，以人類為例，在TCGA最新版的RNAseq數(shù)據(jù)集中，TMSB15B這個基因，在Ensembl數(shù)據(jù)庫中是兩條記錄。在數(shù)據(jù)分析的時候，如果以genesymbol這列作為標(biāo)識符的話，它就是一個基因，而以Ensembl geneid為標(biāo)識符的話，它是兩個基因。這個坑令人費(fèi)解啊！所以一般在進(jìn)行諸如cibersort免疫浸潤分析，GSEA分析時，需要先collaspe這些基因名，也就是名字要unique（唯一），不能有重復(fù)。
坑7：Affymetrix一個探針集對應(yīng)多個基因
做GEO芯片分析時，經(jīng)?？吹竭@種基因sybol被//分割的現(xiàn)象，這種在處理的時候也要注意。例如做GO分析時，我們一般把SUPT20H和DES作為兩個基因來處理。
坑8：中文基因名
很遺憾，所有的資料都是英文的，沒有中文版的。我們在全國科學(xué)技術(shù)名詞審定委員會事務(wù)中心的術(shù)語在線（https://www.termonline.cn/）官網(wǎng)查不到，能查到的僅僅是散落在各個期刊里的中文翻譯。當(dāng)然也有老師總結(jié)過這些中文基因名，例如昆明醫(yī)學(xué)院張聞老師所著的《人類基因功能手冊》，手冊對兩萬多個人類基因的功能注解進(jìn)行整理和翻譯，內(nèi)容包 括基因的 NCBI 正式符號、中英文名稱、細(xì)胞成分、分子功能、生命過程、相關(guān)疾病、 OMIM 編號和染色體定位等八項(xiàng)內(nèi)容。但是很可惜，網(wǎng)上能夠拿到的版本是2006年的發(fā)布的。
坑9：權(quán)威 vs官網(wǎng)
NCBI是我們?nèi)粘９ぷ髦杏玫淖疃嗟木W(wǎng)站，那么該數(shù)據(jù)庫中的基因名是“官方”的嗎？在科研界，committee（委員會）和consensus（共識）很流行，而基因名也是這兩者的產(chǎn)物，所以HUGO Gene Nomenclature Committee網(wǎng)站https://www.genenames.org/就是獲得認(rèn)可的人類基因命名資源（The resource for approved human gene nomenclature），即我們說所的official gene symbol。
坑10：到底有多少基因？
要回答這個問題，首先要明確你對基因的定義。如果你認(rèn)為的“基因”是蛋白質(zhì)編碼基因，那么人類有約2w個基因；如果你認(rèn)為的“基因”還包括非編碼RNA，假基因等等，那么HUGO數(shù)據(jù)庫中有約4w個approved基因名，而Ensembl數(shù)據(jù)庫有約6w個geneid，當(dāng)然TCGA也是約6w個。
坑11：坑你沒商量，坑我也沒商量
以上都是坑別人的，當(dāng)然也有被坑的時候。比如客戶給我100個基因名，有新有舊，有全拼還有只言片語，要我在分析結(jié)果中標(biāo)注下，怎么辦？這時只能一個一個去genecards上搜索，十分麻煩啊！比如給我這些：cintillo，collagen，Six1/2-2, POU2/3基因，我是不是想吐血呢？所以當(dāng)你給別人基因的時候，最好給數(shù)據(jù)庫中的ID，而不是你隨手寫的名字，否則我們做數(shù)據(jù)分析的小伙伴怎么辦？給你查吧，浪費(fèi)時間，不給你查吧，結(jié)果肯定出問題。
總結(jié)：
1，基因名區(qū)分大小寫，且不是固定不變的
2，基因名可能被excel改變
3，基因名沒有中文版
4，數(shù)據(jù)分析時要確定你使用的是哪個版本的注釋
So，小小的基因名也有大學(xué)問。歡迎大家在后臺留言討論基因名的問題！
最后，附上這兩篇文章，有興趣的同學(xué)可以看看：
1，Mistaken identifiers: gene name errors can be introduced inadvertently when using Excel in bioinformatics
2，Gene name errors: Lessons not learned
微生信云平臺 注冊用戶40000 引用447
微生信云平臺（http://www.bioinformatics.com.cn）以150多款在線作圖、在線數(shù)據(jù)分析為基本方式，致力于0代碼分析科研數(shù)據(jù)，0代碼展示數(shù)據(jù)結(jié)果，幫助生命科學(xué)、醫(yī)學(xué)等領(lǐng)域的科研工作者更便捷地分析數(shù)據(jù)，了解數(shù)據(jù)，挖掘數(shù)據(jù)背后的生物醫(yī)學(xué)意義，助力科研，促進(jìn)知識傳播。
