Язык R

и его применение в биоинформатике

Лекция 13

Анна Валяева

29 ноября 2024

Аннотации генов и белков

Что такое ген?

Что такое транскрипт?

Что такое геном?

Что такое экзом?

Что такое транскриптом и протеом?

Какие типы РНК вы знаете?

Что из нижеперечисленного является названием гена.

ATP12A
192113
ENSDARG00000010472
P54707
ATPase H+/K+ Transporting Non-Gastric Alpha2 Subunit

ENSG00000224414
piR-56612-002
B0S5Q5
ENSMUST00000007340.4
CM001007.3

Что такое аннотация?

Некоторые дополнительные (обычно полученнные откуда-то извне) данные, которые дополняют и поясняют ваши экспериментальные данные.

альтернативные идентификаторы генов, белков и т.д. из других баз данных
координаты генов на хромосомах
GC-состав генов
внутриклеточная локализация белков
участие продуктов генов в различных метаболических, сигнальных и других путях
…

Функциональная аннотация

gene ID (ENSEMBL: ENSG00000075624, ENTREZ: 60)
символьное обозначение гена: ACTB
название гена: actin beta
тип гена: protein-coding
идентификаторы транскиптов гена: ENST00000674681, …
идентификаторы белков: P60709
Gene Ontology категории, KEGG пути
гомологи

Аннотация координат

хромосома: chr7
последовательность гена
последовательности транскриптов
последовательности CDS
TSS, TES
последовательность промотора
…

Базы данных аннотаций

Доступ к этим сервисам и базам данных можно получить в том числе с помощью R пакетов из Bioconductor.

Bioconductor

www.bioconductor.org
репозиторий R пакетов для решения задач биологической направленности:
- software пакеты со структурами (классами) и функциями для анализа биологических данных
- annotation пакеты, содержащие базы данных различных аннотаций
- experiment пакеты с наборами данных, полученных в различных экспериметах
- workflow пакеты с туториалами анализа биологических данных

Установка Bioconductor пакетов

С каждой новой версией R выходит и новая версия Bioconductor с новыми версиями пакетов. Поэтому определенной версии R соотвествует определенная версия пакета из Bioconductor. Посмотреть соответствие версий можно на сайте.

Пакеты из Bioconductor предпочтительнее устанавливать с помощью специальной системы управления пакетами - BiocManager.

# Установить BiocManager
install.packages("BiocManager")

# Установить нужный пакет из Bioconductor
BiocManager::install("AnnotationHub")

# Удалить уже ненужный пакет
remove.packages("AnnotationHub")

Версия Bioconductor

# Узнать версию Bioconductor
BiocManager::version()

[1] '3.15'

# Все ли Bioconductor пакеты актуальных версий
BiocManager::valid()


* sessionInfo()

R version 4.2.1 (2022-06-23 ucrt)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 10 x64 (build 19045)

Matrix products: default

locale:
[1] LC_COLLATE=Russian_Russia.utf8  LC_CTYPE=Russian_Russia.utf8   
[3] LC_MONETARY=Russian_Russia.utf8 LC_NUMERIC=C                   
[5] LC_TIME=Russian_Russia.utf8    

attached base packages:
[1] stats4    stats     graphics  grDevices utils     datasets  methods  
[8] base     

other attached packages:
 [1] biomaRt_2.52.0       org.Hs.eg.db_3.15.0  AnnotationDbi_1.58.0
 [4] IRanges_2.30.1       S4Vectors_0.34.0     Biobase_2.56.0      
 [7] BiocGenerics_0.42.0  lubridate_1.9.2      forcats_1.0.0       
[10] stringr_1.5.0        dplyr_1.1.1          purrr_1.0.1         
[13] readr_2.1.4          tidyr_1.3.0          tibble_3.2.1        
[16] ggplot2_3.4.1        tidyverse_2.0.0      dbplyr_2.3.4        

loaded via a namespace (and not attached):
 [1] httr_1.4.4             bit64_4.0.5            jsonlite_1.8.4        
 [4] carData_3.0-5          BiocManager_1.30.18    BiocFileCache_2.4.0   
 [7] blob_1.2.3             GenomeInfoDbData_1.2.8 yaml_2.3.5            
[10] progress_1.2.2         backports_1.4.1        pillar_1.9.0          
[13] RSQLite_2.2.18         glue_1.6.2             digest_0.6.29         
[16] XVector_0.36.0         ggsignif_0.6.4         colorspace_2.0-3      
[19] htmltools_0.5.8.1      XML_3.99-0.11          pkgconfig_2.0.3       
[22] broom_1.0.4            zlibbioc_1.42.0        scales_1.2.1          
[25] tzdb_0.4.0             timechange_0.2.0       KEGGREST_1.36.3       
[28] car_3.1-1              generics_0.1.3         ellipsis_0.3.2        
[31] ggpubr_0.6.0           cachem_1.0.6           withr_2.5.0           
[34] cli_3.4.1              magrittr_2.0.3         crayon_1.5.2          
[37] memoise_2.0.1          evaluate_0.17          fansi_1.0.3           
[40] rstatix_0.7.2          xml2_1.3.6             tools_4.2.1           
[43] prettyunits_1.1.1      hms_1.1.2              lifecycle_1.0.3       
[46] munsell_0.5.0          Biostrings_2.64.1      compiler_4.2.1        
[49] GenomeInfoDb_1.32.4    rlang_1.1.0            grid_4.2.1            
[52] RCurl_1.98-1.9         rstudioapi_0.14        rappdirs_0.3.3        
[55] htmlwidgets_1.6.4      bitops_1.0-7           rmarkdown_2.17        
[58] gtable_0.3.1           abind_1.4-5            DBI_1.1.3             
[61] curl_4.3.3             R6_2.5.1               knitr_1.40            
[64] fastmap_1.1.1          bit_4.0.4              utf8_1.2.2            
[67] filelock_1.0.2         stringi_1.7.8          Rcpp_1.0.10           
[70] vctrs_0.6.2            png_0.1-7              tidyselect_1.2.0      
[73] xfun_0.40             

Bioconductor version '3.15'

  * 304 packages out-of-date
  * 5 packages too new

create a valid installation with

  BiocManager::install(c(
    "abind", "amap", "ape", "aplot", "arrow", "askpass", "backports", "bbmle",
    "bdsmatrix", "BH", "bigD", "BiocManager", "BiocParallel", "bit", "bit64",
    "bitops", "blob", "bookdown", "brew", "brio", "broom", "broom.helpers",
    "bslib", "cachem", "callr", "car", "caTools", "checkmate", "chromote",
    "circlize", "classInt", "cli", "clock", "clue", "clusterProfiler", "coda",
    "colorspace", "commonmark", "corrplot", "cowplot", "cpp11", "crayon",
    "credentials", "crosstalk", "crul", "curl", "data.table", "datasauRus",
    "datawizard", "DBI", "dbplyr", "deldir", "dendextend", "desc", "DescTools",
    "devEMF", "digest", "distributional", "DOSE", "dotCall64", "dplyr",
    "dqrng", "DT", "dtplyr", "e1071", "ellipse", "emdbook", "emmeans",
    "estimability", "eulerr", "evaluate", "Exact", "expm", "extrafont",
    "FactoMineR", "fansi", "farver", "fastDummies", "fastmap", "fastmatch",
    "filelock", "fitdistrplus", "flexdashboard", "flextable", "flipbookr",
    "FNN", "fontawesome", "formatR", "formatters", "fs", "future",
    "future.apply", "gargle", "gdtools", "GenSA", "geomtextpath", "gert",
    "gganimate", "ggdendro", "ggdist", "ggforce", "ggfortify", "ggfun",
    "ggh4x", "ggnewscale", "ggplot2", "ggplotify", "ggraph", "ggrepel",
    "ggridges", "ggsci", "ggupset", "ggVennDiagram", "gh", "globals", "glue",
    "googledrive", "googlesheets4", "GOSemSim", "gplots", "gprofiler2",
    "graphlayouts", "gt", "gtable", "gtExtras", "gtsummary", "hardhat",
    "haven", "highr", "Hmisc", "hms", "htmlTable", "httpuv", "httr", "igraph",
    "insight", "interp", "ipred", "isoband", "jpeg", "jsonlite", "knitr",
    "labeling", "labelled", "later", "leaflet", "leaflet.providers", "leaps",
    "learnr", "lifecycle", "listenv", "lme4", "lmom", "locfit", "lubridate",
    "magick", "maps", "markdown", "MatrixModels", "matrixStats", "minqa",
    "multcompView", "munsell", "mvtnorm", "nloptr", "officer", "openssl",
    "openxlsx", "packrat", "pagedown", "paletteer", "parallelly", "patchwork",
    "pbkrtest", "pdftools", "pkgbuild", "pkgdown", "pkgload", "plotly", "plyr",
    "png", "polyclip", "polylabelr", "prettyunits", "prismatic", "processx",
    "prodlim", "profvis", "progress", "progressr", "proj4", "promises", "ps",
    "psych", "purrr", "qpdf", "quantreg", "quarto", "R.oo", "R.utils", "ragg",
    "randomForest", "RANN", "raster", "rbibutils", "Rcpp", "RcppAnnoy",
    "RcppArmadillo", "RcppEigen", "RcppHNSW", "RcppNumerical", "RCurl",
    "Rdpack", "reactR", "readr", "readxl", "recipes", "rematch", "remotes",
    "renv", "reprex", "reticulate", "rio", "rjson", "rlang", "rmarkdown",
    "rootSolve", "roxygen2", "rprojroot", "rsconnect", "RSpectra", "RSQLite",
    "rstudioapi", "rtables", "Rtsne", "Rttf2pt1", "rvest", "rvg", "s2",
    "scales", "scatterpie", "scatterplot3d", "servr", "Seurat", "SeuratObject",
    "sf", "shadowtext", "shape", "shiny", "shinyWidgets", "showtext", "sjmisc",
    "sourcetools", "sp", "spam", "SparseM", "spatstat.data",
    "spatstat.explore", "spatstat.geom", "spatstat.random", "spatstat.sparse",
    "spatstat.utils", "stringi", "stringr", "survminer", "sys", "sysfonts",
    "systemfonts", "tern", "testthat", "textshaping", "tidygraph", "tidyr",
    "tidyselect", "tidytree", "timechange", "timeDate", "tinytex", "tvthemes",
    "tweenr", "units", "usethis", "utf8", "uuid", "uwot", "V8", "vcd", "vctrs",
    "vegan", "vipor", "viridis", "viridisLite", "vroom", "waldo", "webr",
    "webshot2", "websocket", "whisker", "withr", "wk", "xaringan",
    "xaringanExtra", "xfun", "XML", "xopen", "yaml", "yulab.utils", "zip", "zoo"
  ), update = TRUE, ask = FALSE)

more details: BiocManager::valid()$too_new, BiocManager::valid()$out_of_date

Доступные пакеты

BiocManager::available(pattern = "Mmusculus")

 [1] "BSgenome.Mmusculus.UCSC.mm10"        "BSgenome.Mmusculus.UCSC.mm10.masked"
 [3] "BSgenome.Mmusculus.UCSC.mm39"        "BSgenome.Mmusculus.UCSC.mm8"        
 [5] "BSgenome.Mmusculus.UCSC.mm8.masked"  "BSgenome.Mmusculus.UCSC.mm9"        
 [7] "BSgenome.Mmusculus.UCSC.mm9.masked"  "EnsDb.Mmusculus.v75"                
 [9] "EnsDb.Mmusculus.v79"                 "PWMEnrich.Mmusculus.background"     
[11] "TxDb.Mmusculus.UCSC.mm10.ensGene"    "TxDb.Mmusculus.UCSC.mm10.knownGene" 
[13] "TxDb.Mmusculus.UCSC.mm39.refGene"    "TxDb.Mmusculus.UCSC.mm9.knownGene"

Пакеты аннотаций

org.Hs.eg.db - база данных идентификаторов генов и биологических путей, которые с ними ассоциированы
TxDb.Hsapiens.UCSC.hg38.knownGene - UCSC аннотация генов knownGene версии генома человека hg38
EnsDb.Hsapiens.v86 - Ensembl аннотация генов человека, версия 86
GO.db - аннотация Gene Ontology
BSgenome.Hsapiens.UCSC.hg38 - последовательности хромосом человека сборки hg38
аннотации для микрочипов (например, ag.db)
…

S4 класс

Использование пакетов Bioconductor строится на работе с объектами класса S4 (объектно-ориентированное программирование).

Что для нас важно, объекты класса S4 имеют свое название, слоты, в которых хранятся данные, и методы - функции, позволяющие работать с объектами этого класса. Также может быть прописано наследование классов.

# Записываем объект класса TxDb в переменную txdb
txdb <- TxDb.Hsapiens.UCSC.hg38.knownGene::TxDb.Hsapiens.UCSC.hg38.knownGene

isS4(txdb)

[1] TRUE

S4 класс

class(txdb)

[1] "TxDb"
attr(,"package")
[1] "GenomicFeatures"

getClass("TxDb")

Reference Class "TxDb":

Class fields:
                                                                          
Name:              conn      packageName  user2seqlevels0   user_seqlevels
Class: SQLiteConnection        character          integer        character
                                        
Name:       user_genome      isActiveSeq
Class:        character          logical

Class Methods: 
     "import", ".objectParent", "usingMethods", "show", "getClass", "untrace", 
     "export", "initialize", ".objectPackage", "callSuper", "copy", 
     "initFields", "getRefClass", "trace", "field", "finalize"

Reference Superclasses: 
     "AnnotationDb", "envRefClass"

Пакеты для работы с аннотациями

AnnotationDbi - помогает взаимодействовать с пакетами orgDb, TxDb, EnsDb, Go.db
AnnotationHub - доступ ко многим ресурсам для разных организмов, хранение скачанных аннотаций локально в кэше
biomaRt - онлайн-доступ к базам данных Ensembl
KEGGREST - доступ к базе данных KEGG
UniprotR и UniProt.ws - доступ к базе данных UniProt
…

orgDb

пакет для конвертации идентификаторов генов (Entrez-центричный - eg) и получения приписанных гену Gene Ontology категорий
для каждого модельного организма свой пакет - список на сайте
- org.Hs.eg.db - человек (Entrez IDs)
- org.Mm.eg.db - мышь (Entrez IDs)
- org.At.tair.db - резуховидка Таля (TAIR идентификаторы)
- …

Метаданные orgDb

BiocManager::install("org.Hs.eg.db")
library(org.Hs.eg.db)

org.Hs.eg.db

OrgDb object:
| DBSCHEMAVERSION: 2.1
| Db type: OrgDb
| Supporting package: AnnotationDbi
| DBSCHEMA: HUMAN_DB
| ORGANISM: Homo sapiens
| SPECIES: Human
| EGSOURCEDATE: 2022-Mar17
| EGSOURCENAME: Entrez Gene
| EGSOURCEURL: ftp://ftp.ncbi.nlm.nih.gov/gene/DATA
| CENTRALID: EG
| TAXID: 9606
| GOSOURCENAME: Gene Ontology
| GOSOURCEURL: http://current.geneontology.org/ontology/go-basic.obo
| GOSOURCEDATE: 2022-03-10
| GOEGSOURCEDATE: 2022-Mar17
| GOEGSOURCENAME: Entrez Gene
| GOEGSOURCEURL: ftp://ftp.ncbi.nlm.nih.gov/gene/DATA
| KEGGSOURCENAME: KEGG GENOME
| KEGGSOURCEURL: ftp://ftp.genome.jp/pub/kegg/genomes
| KEGGSOURCEDATE: 2011-Mar15
| GPSOURCENAME: UCSC Genome Bioinformatics (Homo sapiens)
| GPSOURCEURL: 
| GPSOURCEDATE: 2022-Nov23
| ENSOURCEDATE: 2021-Dec21
| ENSOURCENAME: Ensembl
| ENSOURCEURL: ftp://ftp.ensembl.org/pub/current_fasta
| UPSOURCENAME: Uniprot
| UPSOURCEURL: http://www.UniProt.org/
| UPSOURCEDATE: Fri Apr  1 14:42:16 2022

Работа с orgDb

Пакет AnnotationDbi предоставляет методы для работы данными из orgDb, TxDb, EnsDb и Go.db.

keys() возвращает Entrez идентификаторы, доступные в аннотации

keys(org.Hs.eg.db) %>% head()

[1] "1"  "2"  "3"  "9"  "10" "11"

keytypes() и columns() возвращают доступные для конвертации идентификаторы

keytypes(org.Hs.eg.db)

 [1] "ACCNUM"       "ALIAS"        "ENSEMBL"      "ENSEMBLPROT"  "ENSEMBLTRANS"
 [6] "ENTREZID"     "ENZYME"       "EVIDENCE"     "EVIDENCEALL"  "GENENAME"    
[11] "GENETYPE"     "GO"           "GOALL"        "IPI"          "MAP"         
[16] "OMIM"         "ONTOLOGY"     "ONTOLOGYALL"  "PATH"         "PFAM"        
[21] "PMID"         "PROSITE"      "REFSEQ"       "SYMBOL"       "UCSCKG"      
[26] "UNIPROT"

Работа с orgDb - `select()`

По вектору из идентификаторов можно запросить информацию из аннотации org.Hs.eg.db с помощью функции

select(annotationDb, keys, columns, keytype), где

annotationDb - пакет или объект, содержащий аннотацию
keys - идентификаторы, которые у нас есть
columns - то, что мы хотим получить
keytype - тип идентификаторов, которые мы использовали

Задание

Установите и подгрузите пакет org.Hs.eg.db.

С помощью него и функции select() из пакета AnnotationDbi переведите ENSEMBL идентификаторы генов в символьные названия (SYMBOL), а также достаньте из аннотации полные названия этих генов (GENENAME) и ассоциацию с заболеваниями по базе данных OMIM.

ens_genes <- c("ENSG00000167107", "ENSG00000181798", "ENSG00000280639", "ENSG00000198218", "ENSG00000284269")

Работа с orgDb - `mapIds()`

Работает аналогично функции select(), но только с одной аннотацией (column вместо columns) и позволяет с помощью параметра multiVals указать, как вести себя, если одному гену соответствует несколько аннотаций.

mapIds(org.Hs.eg.db, ens_genes, "OMIM", "ENSEMBL", multiVals = "list")

$ENSG00000167107
[1] "610465"

$ENSG00000181798
[1] NA

$ENSG00000280639
[1] NA

$ENSG00000198218
[1] "617387" "617982"

$ENSG00000284269
[1] NA

Аннотации координат

Пакеты TxDb и EnsDb содержат генные разметки - координаты генов, транскриптов и экзонов в геноме.

entrez_genes <- mapIds(org.Hs.eg.db, ens_genes, "ENTREZID", "ENSEMBL")

select(
  txdb, 
  entrez_genes, 
  c("TXNAME", "TXCHROM", "TXSTART", "TXEND", "TXSTRAND"), 
  "GENEID") %>% 
  head()

  GENEID            TXNAME TXCHROM TXSTRAND  TXSTART    TXEND
1  80221 ENST00000510410.5   chr17        + 50426158 50474670
2  80221 ENST00000504945.1   chr17        + 50426218 50461048
3  80221 ENST00000503408.5   chr17        + 50426218 50461265
4  80221 ENST00000506582.5   chr17        + 50426218 50462426
5  80221 ENST00000504392.5   chr17        + 50426218 50474670
6  80221 ENST00000300441.9   chr17        + 50426218 50474837

AnnotationHub

Дает доступ к большему количеству ресурсов и версий баз данных. Облегчает работу с немодельными организмами. Обеспесчивает большую воспроизводимость.

library(AnnotationHub)

ah <- AnnotationHub()
ah

AnnotationHub with 67229 records
# snapshotDate(): 2022-04-25
# $dataprovider: Ensembl, BroadInstitute, UCSC, ftp://ftp.ncbi.nlm.nih.gov/g...
# $species: Homo sapiens, Mus musculus, Drosophila melanogaster, Bos taurus,...
# $rdataclass: GRanges, TwoBitFile, BigWigFile, EnsDb, Rle, OrgDb, ChainFile...
# additional mcols(): taxonomyid, genome, description,
#   coordinate_1_based, maintainer, rdatadateadded, preparerclass, tags,
#   rdatapath, sourceurl, sourcetype 
# retrieve records with, e.g., 'object[["AH5012"]]' 

             title                                                         
  AH5012   | Chromosome Band                                               
  AH5013   | STS Markers                                                   
  AH5014   | FISH Clones                                                   
  AH5015   | Recomb Rate                                                   
  AH5016   | ENCODE Pilot                                                  
  ...        ...                                                           
  AH107043 | Zonotrichia_albicollis.Zonotrichia_albicollis-1.0.1.ncrna.2bit
  AH107044 | Zosterops_lateralis_melanops.ASM128173v1.cdna.all.2bit        
  AH107045 | Zosterops_lateralis_melanops.ASM128173v1.dna_rm.toplevel.2bit 
  AH107046 | Zosterops_lateralis_melanops.ASM128173v1.dna_sm.toplevel.2bit 
  AH107047 | Zosterops_lateralis_melanops.ASM128173v1.ncrna.2bit

Доступные ресурсы

unique(ah$dataprovider)

 [1] "UCSC"                                                                                                      
 [2] "Ensembl"                                                                                                   
 [3] "RefNet"                                                                                                    
 [4] "Inparanoid8"                                                                                               
 [5] "NHLBI"                                                                                                     
 [6] "ChEA"                                                                                                      
 [7] "Pazar"                                                                                                     
 [8] "NIH Pathway Interaction Database"                                                                          
 [9] "Haemcode"                                                                                                  
[10] "BroadInstitute"                                                                                            
[11] "PRIDE"                                                                                                     
[12] "Gencode"                                                                                                   
[13] "CRIBI"                                                                                                     
[14] "Genoscope"                                                                                                 
[15] "MISO, VAST-TOOLS, UCSC"                                                                                    
[16] "UWashington"                                                                                               
[17] "Stanford"                                                                                                  
[18] "dbSNP"                                                                                                     
[19] "BioMart"                                                                                                   
[20] "GeneOntology"                                                                                              
[21] "KEGG"                                                                                                      
[22] "URGI"                                                                                                      
[23] "EMBL-EBI"                                                                                                  
[24] "MicrosporidiaDB"                                                                                           
[25] "FungiDB"                                                                                                   
[26] "TriTrypDB"                                                                                                 
[27] "ToxoDB"                                                                                                    
[28] "AmoebaDB"                                                                                                  
[29] "PlasmoDB"                                                                                                  
[30] "PiroplasmaDB"                                                                                              
[31] "CryptoDB"                                                                                                  
[32] "TrichDB"                                                                                                   
[33] "GiardiaDB"                                                                                                 
[34] "The Gene Ontology Consortium"                                                                              
[35] "ENCODE Project"                                                                                            
[36] "SchistoDB"                                                                                                 
[37] "NCBI/UniProt"                                                                                              
[38] "GENCODE"                                                                                                   
[39] "http://www.pantherdb.org"                                                                                  
[40] "RMBase v2.0"                                                                                               
[41] "snoRNAdb"                                                                                                  
[42] "tRNAdb"                                                                                                    
[43] "NCBI"                                                                                                      
[44] "DrugAge, DrugBank, Broad Institute"                                                                        
[45] "DrugAge"                                                                                                   
[46] "DrugBank"                                                                                                  
[47] "Broad Institute"                                                                                           
[48] "HMDB, EMBL-EBI, EPA"                                                                                       
[49] "STRING"                                                                                                    
[50] "OMA"                                                                                                       
[51] "OrthoDB"                                                                                                   
[52] "PathBank"                                                                                                  
[53] "EBI/EMBL"                                                                                                  
[54] "NCBI,DBCLS"                                                                                                
[55] "FANTOM5,DLRP,IUPHAR,HPRD,STRING,SWISSPROT,TREMBL,ENSEMBL,CELLPHONEDB,BADERLAB,SINGLECELLSIGNALR,HOMOLOGENE"
[56] "WikiPathways"                                                                                              
[57] "UCSC Jaspar"                                                                                               
[58] "VAST-TOOLS"                                                                                                
[59] "pyGenomeTracks "                                                                                           
[60] "NA"                                                                                                        
[61] "UoE"                                                                                                       
[62] "mitra.stanford.edu/kundaje/akundaje/release/blacklists/"                                                   
[63] "ENCODE"                                                                                                    
[64] "TargetScan,miRTarBase,USCS,ENSEMBL"                                                                        
[65] "TargetScan"                                                                                                
[66] "QuickGO"                                                                                                   
[67] "ftp://ftp.ncbi.nlm.nih.gov/gene/DATA/"

Доступные организмы

length(unique(ah$species))

[1] 2825

head(unique(ah$species))

[1] "Homo sapiens"         "Vicugna pacos"        "Dasypus novemcinctus"
[4] "Otolemur garnettii"   "Papio hamadryas"      "Papio anubis"

Запросы с AnnotationHub

Для поиска нужной базы данных в AnnotationHub есть функция query().

Например, мы хотим воспользоваться базой данных генов человека Ensembl версии 105. В Bioconductor есть пакеты аннотаций EnsDb, но нет нужной нам версии. Однако ее можно найти в AnnotationHub:

query(ah, c("EnsDb", "hsapiens", "105"))

AnnotationHub with 1 record
# snapshotDate(): 2022-04-25
# names(): AH98047
# $dataprovider: Ensembl
# $species: Homo sapiens
# $rdataclass: EnsDb
# $rdatadateadded: 2021-10-20
# $title: Ensembl 105 EnsDb for Homo sapiens
# $description: Gene and protein annotations for Homo sapiens based on Ensem...
# $taxonomyid: 9606
# $genome: GRCh38
# $sourcetype: ensembl
# $sourceurl: http://www.ensembl.org
# $sourcesize: NA
# $tags: c("105", "Annotation", "AnnotationHubSoftware", "Coverage",
#   "DataImport", "EnsDb", "Ensembl", "Gene", "Protein", "Sequencing",
#   "Transcript") 
# retrieve record with 'object[["AH98047"]]'

Скачивание аннотации

Скачаем и сохраним локально нужную аннотацию:

# BiocManager::install("ensembldb")
hs_ens105 <- ah[["AH98047"]]
hs_ens105

EnsDb for Ensembl:
|Backend: SQLite
|Db type: EnsDb
|Type of Gene ID: Ensembl Gene ID
|Supporting package: ensembldb
|Db created by: ensembldb package from Bioconductor
|script_version: 0.3.7
|Creation time: Sat Dec 18 14:48:15 2021
|ensembl_version: 105
|ensembl_host: localhost
|Organism: Homo sapiens
|taxonomy_id: 9606
|genome_build: GRCh38
|DBSCHEMAVERSION: 2.2
| No. of genes: 69329.
| No. of transcripts: 268255.
|Protein data available.

Работа с EnsDb

Работать со скачанной аннотацией можно с помощью функций пакета AnnotationDbi:

keytypes(hs_ens105)

 [1] "ENTREZID"            "EXONID"              "GENEBIOTYPE"        
 [4] "GENEID"              "GENENAME"            "PROTDOMID"          
 [7] "PROTEINDOMAINID"     "PROTEINDOMAINSOURCE" "PROTEINID"          
[10] "SEQNAME"             "SEQSTRAND"           "SYMBOL"             
[13] "TXBIOTYPE"           "TXID"                "TXNAME"             
[16] "UNIPROTID"

В Ensembl основным идентификатором является ENSEMBL ID (GENEID).

select(hs_ens105, "NEAT1", c("GENEID", "GENEBIOTYPE", "SEQNAME"), "SYMBOL")

  SYMBOL          GENEID GENEBIOTYPE SEQNAME
1  NEAT1 ENSG00000245532      lncRNA      11

Аннотации координат

Функции genes(), transcripts() и exons() пакета GenomicFeatures позволяют получать координаты этих участков в геноме в виде GRanges объекта.

genes(hs_ens105)

GRanges object with 69329 ranges and 9 metadata columns:
                  seqnames            ranges strand |         gene_id
                     <Rle>         <IRanges>  <Rle> |     <character>
  ENSG00000223972        1       11869-14409      + | ENSG00000223972
  ENSG00000227232        1       14404-29570      - | ENSG00000227232
  ENSG00000278267        1       17369-17436      - | ENSG00000278267
  ENSG00000243485        1       29554-31109      + | ENSG00000243485
  ENSG00000284332        1       30366-30503      + | ENSG00000284332
              ...      ...               ...    ... .             ...
  ENSG00000224240        Y 26549425-26549743      + | ENSG00000224240
  ENSG00000227629        Y 26586642-26591601      - | ENSG00000227629
  ENSG00000237917        Y 26594851-26634652      - | ENSG00000237917
  ENSG00000231514        Y 26626520-26627159      - | ENSG00000231514
  ENSG00000235857        Y 56855244-56855488      + | ENSG00000235857
                    gene_name           gene_biotype seq_coord_system
                  <character>            <character>      <character>
  ENSG00000223972     DDX11L1 transcribed_unproces..       chromosome
  ENSG00000227232      WASH7P unprocessed_pseudogene       chromosome
  ENSG00000278267   MIR6859-1                  miRNA       chromosome
  ENSG00000243485 MIR1302-2HG                 lncRNA       chromosome
  ENSG00000284332   MIR1302-2                  miRNA       chromosome
              ...         ...                    ...              ...
  ENSG00000224240     CYCSP49   processed_pseudogene       chromosome
  ENSG00000227629  SLC25A15P1 unprocessed_pseudogene       chromosome
  ENSG00000237917     PARP4P1 unprocessed_pseudogene       chromosome
  ENSG00000231514      CCNQP2   processed_pseudogene       chromosome
  ENSG00000235857     CTBP2P1   processed_pseudogene       chromosome
                             description   gene_id_version canonical_transcript
                             <character>       <character>          <character>
  ENSG00000223972 DEAD/H-box helicase .. ENSG00000223972.5      ENST00000450305
  ENSG00000227232 WASP family homolog .. ENSG00000227232.5      ENST00000488147
  ENSG00000278267 microRNA 6859-1 [Sou.. ENSG00000278267.1      ENST00000619216
  ENSG00000243485 MIR1302-2 host gene .. ENSG00000243485.5      ENST00000473358
  ENSG00000284332 microRNA 1302-2 [Sou.. ENSG00000284332.1      ENST00000607096
              ...                    ...               ...                  ...
  ENSG00000224240 CYCS pseudogene 49 [.. ENSG00000224240.1      ENST00000420810
  ENSG00000227629 solute carrier famil.. ENSG00000227629.1      ENST00000456738
  ENSG00000237917 poly(ADP-ribose) pol.. ENSG00000237917.1      ENST00000435945
  ENSG00000231514 CCNQ pseudogene 2 [S.. ENSG00000231514.1      ENST00000435741
  ENSG00000235857 CTBP2 pseudogene 1 [.. ENSG00000235857.1      ENST00000431853
                       symbol                          entrezid
                  <character>                            <list>
  ENSG00000223972     DDX11L1 102725121,100287596,100287102,...
  ENSG00000227232      WASH7P                              <NA>
  ENSG00000278267   MIR6859-1                         102466751
  ENSG00000243485 MIR1302-2HG                              <NA>
  ENSG00000284332   MIR1302-2                         100302278
              ...         ...                               ...
  ENSG00000224240     CYCSP49                              <NA>
  ENSG00000227629  SLC25A15P1                              <NA>
  ENSG00000237917     PARP4P1                              <NA>
  ENSG00000231514      CCNQP2                              <NA>
  ENSG00000235857     CTBP2P1                              <NA>
  -------
  seqinfo: 456 sequences (1 circular) from GRCh38 genome

Координаты для гена

transcripts(hs_ens105, filter = ~ symbol == "NEAT1")

GRanges object with 15 ranges and 12 metadata columns:
                  seqnames            ranges strand |           tx_id
                     <Rle>         <IRanges>  <Rle> |     <character>
  ENST00000499732       11 65422774-65426457      + | ENST00000499732
  ENST00000687132       11 65422797-65426532      + | ENST00000687132
  ENST00000501122       11 65422798-65445540      + | ENST00000501122
  ENST00000685861       11 65422798-65426529      + | ENST00000685861
  ENST00000601801       11 65422800-65426405      + | ENST00000601801
              ...      ...               ...    ... .             ...
  ENST00000693290       11 65425414-65426529      + | ENST00000693290
  ENST00000616315       11 65425551-65426385      + | ENST00000616315
  ENST00000687943       11 65431820-65433023      + | ENST00000687943
  ENST00000691530       11 65440182-65440864      + | ENST00000691530
  ENST00000693747       11 65440182-65440864      + | ENST00000693747
                   tx_biotype tx_cds_seq_start tx_cds_seq_end         gene_id
                  <character>        <integer>      <integer>     <character>
  ENST00000499732      lncRNA             <NA>           <NA> ENSG00000245532
  ENST00000687132      lncRNA             <NA>           <NA> ENSG00000245532
  ENST00000501122      lncRNA             <NA>           <NA> ENSG00000245532
  ENST00000685861      lncRNA             <NA>           <NA> ENSG00000245532
  ENST00000601801      lncRNA             <NA>           <NA> ENSG00000245532
              ...         ...              ...            ...             ...
  ENST00000693290      lncRNA             <NA>           <NA> ENSG00000245532
  ENST00000616315      lncRNA             <NA>           <NA> ENSG00000245532
  ENST00000687943      lncRNA             <NA>           <NA> ENSG00000245532
  ENST00000691530      lncRNA             <NA>           <NA> ENSG00000245532
  ENST00000693747      lncRNA             <NA>           <NA> ENSG00000245532
                  tx_support_level     tx_id_version gc_content
                         <integer>       <character>  <numeric>
  ENST00000499732                2 ENST00000499732.3    47.6024
  ENST00000687132             <NA> ENST00000687132.1    48.2334
  ENST00000501122             <NA> ENST00000501122.2    44.0531
  ENST00000685861             <NA> ENST00000685861.1    48.2315
  ENST00000601801                4 ENST00000601801.3    48.4393
              ...              ...               ...        ...
  ENST00000693290             <NA> ENST00000693290.1    36.6487
  ENST00000616315                2 ENST00000616315.2    36.5234
  ENST00000687943             <NA> ENST00000687943.1    33.2226
  ENST00000691530             <NA> ENST00000691530.1    45.0952
  ENST00000693747             <NA> ENST00000693747.1    45.0952
                  tx_external_name tx_is_canonical         tx_name      symbol
                       <character>       <integer>     <character> <character>
  ENST00000499732        NEAT1-201               0 ENST00000499732       NEAT1
  ENST00000687132        NEAT1-211               0 ENST00000687132       NEAT1
  ENST00000501122        NEAT1-202               1 ENST00000501122       NEAT1
  ENST00000685861        NEAT1-210               0 ENST00000685861       NEAT1
  ENST00000601801        NEAT1-203               0 ENST00000601801       NEAT1
              ...              ...             ...             ...         ...
  ENST00000693290        NEAT1-214               0 ENST00000693290       NEAT1
  ENST00000616315        NEAT1-205               0 ENST00000616315       NEAT1
  ENST00000687943        NEAT1-212               0 ENST00000687943       NEAT1
  ENST00000691530        NEAT1-213               0 ENST00000691530       NEAT1
  ENST00000693747        NEAT1-215               0 ENST00000693747       NEAT1
  -------
  seqinfo: 1 sequence from GRCh38 genome

orgDb для немодельных организмов

query(ah, "OrgDb")

AnnotationHub with 1830 records
# snapshotDate(): 2022-04-25
# $dataprovider: ftp://ftp.ncbi.nlm.nih.gov/gene/DATA/
# $species: Escherichia coli, greater Indian_fruit_bat, Zootoca vivipara, Zo...
# $rdataclass: OrgDb
# additional mcols(): taxonomyid, genome, description,
#   coordinate_1_based, maintainer, rdatadateadded, preparerclass, tags,
#   rdatapath, sourceurl, sourcetype 
# retrieve records with, e.g., 'object[["AH100399"]]' 

             title                                    
  AH100399 | org.Ag.eg.db.sqlite                      
  AH100400 | org.At.tair.db.sqlite                    
  AH100401 | org.Bt.eg.db.sqlite                      
  AH100402 | org.Cf.eg.db.sqlite                      
  AH100403 | org.Gg.eg.db.sqlite                      
  ...        ...                                      
  AH102596 | org.Lobosporangium_transversale.eg.sqlite
  AH102597 | org.Sulfolobus_acidocaldarius.eg.sqlite  
  AH102598 | org.Penicillium_rugulosum.eg.sqlite      
  AH102599 | org.Talaromyces_rugulosus.eg.sqlite      
  AH102600 | org.Metallosphaera_sedula.eg.sqlite

orgDb для пингвина Адели

Допустим, мы все еще интересуемся пингвинами…

query(ah, c("OrgDb", "Pygoscelis"))

AnnotationHub with 2 records
# snapshotDate(): 2022-04-25
# $dataprovider: ftp://ftp.ncbi.nlm.nih.gov/gene/DATA/
# $species: Pygoscelis adeliae, Pygoscelis adelia
# $rdataclass: OrgDb
# additional mcols(): taxonomyid, genome, description,
#   coordinate_1_based, maintainer, rdatadateadded, preparerclass, tags,
#   rdatapath, sourceurl, sourcetype 
# retrieve records with, e.g., 'object[["AH102335"]]' 

             title                           
  AH102335 | org.Pygoscelis_adeliae.eg.sqlite
  AH102336 | org.Pygoscelis_adelia.eg.sqlite

org.adelie <- ah[["AH102335"]]

orgDb для пингвина Адели

select(org.adelie, sample(keys(org.adelie), 5), c("SYMBOL", "GENENAME"), "ENTREZID")

   ENTREZID SYMBOL                                               GENENAME
1 103922433   PON2                                          paraoxonase 2
2 103925683  SGSM1                  small G protein signaling modulator 1
3 103922264 KCTD19 potassium channel tetramerization domain containing 19
4 103913577  RADIL                        Rap associating with DIL domain
5 103913313 TMEM61                               transmembrane protein 61

biomaRt

BioMart - веб-сервис для доступа к базам данных Ensembl
Пакет biomaRt позволяет отправлять запросы BioMart с помощью R

BiocManager::install("biomaRt")
library(biomaRt)

listMarts()

               biomart                version
1 ENSEMBL_MART_ENSEMBL      Ensembl Genes 113
2   ENSEMBL_MART_MOUSE      Mouse strains 113
3     ENSEMBL_MART_SNP  Ensembl Variation 113
4 ENSEMBL_MART_FUNCGEN Ensembl Regulation 113

mart <- useMart("ENSEMBL_MART_ENSEMBL")
mart

Object of class 'Mart':
  Using the ENSEMBL_MART_ENSEMBL BioMart database
  No dataset selected.

Датасеты BioMart

Данные по каким организмам доступны:

listDatasets(mart) %>% head()

                       dataset                           description
1 abrachyrhynchus_gene_ensembl Pink-footed goose genes (ASM259213v1)
2     acalliptera_gene_ensembl      Eastern happy genes (fAstCal1.3)
3   acarolinensis_gene_ensembl       Green anole genes (AnoCar2.0v2)
4    acchrysaetos_gene_ensembl       Golden eagle genes (bAquChr1.2)
5    acitrinellus_gene_ensembl        Midas cichlid genes (Midas_v5)
6    amelanoleuca_gene_ensembl       Giant panda genes (ASM200744v2)
      version
1 ASM259213v1
2  fAstCal1.3
3 AnoCar2.0v2
4  bAquChr1.2
5    Midas_v5
6 ASM200744v2

mart <- useMart("ENSEMBL_MART_ENSEMBL","hsapiens_gene_ensembl")

Проблемы с соединением

Для создания mart объекта лучше использовать функцию useEnsembl().

mart <- useEnsembl("ensembl","hsapiens_gene_ensembl")

Запросы с biomaRt

Запрашивать информацию из датасета можно с помощью функции

getBM(attributes, filters, values, mart), где

attributes - то, что мы хотим получить (columns)
filters - тип идентификаторов, которые мы использовали (keytype)
values - идентификаторы, которые у нас есть (keys)
mart - mart объект который мы только что создали

Атрибуты и фильтры

listAttributes(mart) %>% head()

                           name                  description         page
1               ensembl_gene_id               Gene stable ID feature_page
2       ensembl_gene_id_version       Gene stable ID version feature_page
3         ensembl_transcript_id         Transcript stable ID feature_page
4 ensembl_transcript_id_version Transcript stable ID version feature_page
5            ensembl_peptide_id            Protein stable ID feature_page
6    ensembl_peptide_id_version    Protein stable ID version feature_page

listFilters(mart) %>% head()

             name              description
1 chromosome_name Chromosome/scaffold name
2           start                    Start
3             end                      End
4      band_start               Band Start
5        band_end                 Band End
6    marker_start             Marker Start

Запросы с biomaRt

Хотим получить дополнительную информацию о двух генах - NEAT1 и MALAT1.

two_genes <- c("NEAT1", "MALAT1")

getBM(
  attributes = c("ensembl_gene_id", "external_gene_name", "description"), 
  filters = "external_gene_name", 
  values = two_genes,
  mart = mart)

  ensembl_gene_id external_gene_name
1 ENSG00000251562             MALAT1
2 ENSG00000245532              NEAT1
                                                                                 description
1 metastasis associated lung adenocarcinoma transcript 1 [Source:HGNC Symbol;Acc:HGNC:29665]
2              nuclear paraspeckle assembly transcript 1 [Source:HGNC Symbol;Acc:HGNC:30815]

Запросы с biomaRt

Хотим получить список генов длинных некодирующих РНК с 21 хромосомы.

getBM(
  attributes = "hgnc_symbol", 
  filters = c("chromosome_name", "biotype"), 
  values = list(21, "lncRNA"),
  mart = mart) %>% 
  head()

  hgnc_symbol
1   LINC01670
2   LINC03104
3   LINC03105
4   LINC01666
5     TEKT4P2
6   LINC01674

Задание

Установите и подгрузите пакет bioMart.

С помощью этого пакета добудьте информацию о GC-составе генов из списка.

ens_genes <- c("ENSG00000167107", "ENSG00000181798", "ENSG00000280639", "ENSG00000198218", "ENSG00000284269")

Версии Ensembl

По умолчанию biomaRt предлагает работать с самой свежей версией Ensembl. Однако если вы в своем анализе данных использовали другую версию, то лучше придерживаться именно ее. Доступные предыдущие версии можно вывести с помощью функции listEnsemblArchives().

listEnsemblArchives() %>% head()

            name     date                                 url version
1 Ensembl GRCh37 Feb 2014          https://grch37.ensembl.org  GRCh37
2    Ensembl 113 Oct 2024 https://oct2024.archive.ensembl.org     113
3    Ensembl 112 May 2024 https://may2024.archive.ensembl.org     112
4    Ensembl 111 Jan 2024 https://jan2024.archive.ensembl.org     111
5    Ensembl 110 Jul 2023 https://jul2023.archive.ensembl.org     110
6    Ensembl 109 Feb 2023 https://feb2023.archive.ensembl.org     109
  current_release
1                
2               *
3                
4                
5                
6

Получение ортологов

Хотим получить идентификаторы генов-ортологов между человеком и шимпанзе.

ensembl <- useEnsembl("ensembl", host = "https://sep2019.archive.ensembl.org/")

human <- useDataset("hsapiens_gene_ensembl", mart = ensembl)
chimpz <- useDataset("ptroglodytes_gene_ensembl", mart = ensembl)

hs2pt <- getLDS(
  # человек 
  mart = human,
  attributes = c("ensembl_gene_id", "external_gene_name", "chromosome_name"),
  # шимпанзе
  martL = chimpz,
  attributesL = c("ensembl_gene_id", "external_gene_name", "chromosome_name"))

hs2pt %>% head()

   Gene.stable.ID Gene.name Chromosome.scaffold.name   Gene.stable.ID.1
1 ENSG00000196757    ZNF700                       19 ENSPTRG00000010515
2 ENSG00000172819      RARG                       12 ENSPTRG00000005007
  Gene.name.1 Chromosome.scaffold.name.1
1      ZNF700                         19
2        RARG                         12

Что почитать про Bioconductor и аннотации генов и белков

Конец!

Язык R

Аннотации генов и белков

Что такое ген?

Что такое транскрипт?

Что такое геном?

Что такое экзом?

Что такое транскриптом и протеом?

Какие типы РНК вы знаете?

Что такое аннотация?

Функциональная аннотация

Аннотация координат

Базы данных аннотаций

Bioconductor

Установка Bioconductor пакетов

Версия Bioconductor

Доступные пакеты

Пакеты аннотаций

S4 класс

S4 класс

Пакеты для работы с аннотациями

orgDb

Метаданные orgDb

Работа с orgDb

Работа с orgDb - select()

Задание

Работа с orgDb - mapIds()

Аннотации координат

AnnotationHub

AnnotationHub

Доступные ресурсы

Доступные организмы

Запросы с AnnotationHub

Скачивание аннотации

Работа с EnsDb

Аннотации координат

Координаты для гена

orgDb для немодельных организмов

orgDb для пингвина Адели

orgDb для пингвина Адели

biomaRt

biomaRt

Датасеты BioMart

Проблемы с соединением

Запросы с biomaRt

Атрибуты и фильтры

Запросы с biomaRt

Запросы с biomaRt

Задание

Версии Ensembl

Получение ортологов

Что почитать про Bioconductor и аннотации генов и белков

Конец!

Работа с orgDb - `select()`

Работа с orgDb - `mapIds()`