首先下载gtf文件，这里我们引用的是Ensembl的文件enensembl gtf文件下载
这里面我们下载完文件后我们如何查看这个文件信息呢，首先我们用UEStudio 打开后我们看一下文件的数据结构
可以看到里面的我们想要的有gene_ID 和基因的名字 以及这个基因的biotype，我们明确想要提取的对象后导入我们的R中进行提取。
library(refGenome)
ens <- ensemblGenome()
read.gtf(ens, "Homo_sapiens.GRCh38.98.chr.gtf")###导入gtf文件 比较耗时
class(ens)
my_gene <- getGenePositions(ens)
**这里面不要用genecode的GTF文件导入会使R崩溃**
read.gtf(ens, “Homo_sapiens.GRCh38.98.chr.gtf”)
[read.gtf.refGenome] Reading file ‘Homo_sapiens.GRCh38.98.chr.gtf’.
[GTF] 2894598 lines processed.
[read.gtf.refGenome] Extracting genes table.
[read.gtf.refGenome] Found 60,564 gene records.
[read.gtf.refGenome] Finished.
colnames(my_gene)
[1] "id" "seqid" "source" "start" "end"
[6] "score" "strand" "frame" "ccds_id" "protein_version"
[11] "protein_id" "exon_version" "transcript_support_level" "tag" "exon_number"
[16] "gene_id" "transcript_name" "gene_version" "gene_name" "gene_source"
[21] "gene_biotype" "transcript_id" "transcript_source" "exon_id" "transcript_version"
[26] "transcript_biotype"
我们看一下有多少列 以及里面包含了什么，然后根据自己想要的类别提取，这里我提取的是gene_id 和gene_name，以及gene_biotype
gene_id<- my_gene[,16]
gene_name <- my_gene[,19]
gene_biotype <- my_gene[,21]
a <- cbind(gene_id,gene_name,gene_biotype）
到这里想看一下跟TCGA来比较一下基因的数目
这个是TCGA的ID 为了跟ensembl的ID一致我们需要把TCGA的ID 后面的小数点后的删除
整成下面的样子
然后我们导入到R里面进行比较
b <- merge(rt, a, by = "gene_id")##合并通过gene ID
table(b)
'data.frame': 56549 obs. of 4 variables:
$ gene_id : Factor w/ 60483 levels "ENSG00000000003",..: 1 2 3 4 5 6 7 8 9 10 ...
$ TCGA-E9-A1RF-11A-32R-A157-07: int 4544 1881 1565 1356 294 1006 24121 3695 5097 2025 ...
$ gene_name : Factor w/ 59368 levels "5_8S_rRNA","5S_rRNA",..: 56530 55760 27407 51645 23684 29301 25128 29753 30068 41316 ...
$ gene_biotype : Factor w/ 40 levels "IG_C_gene","IG_C_pseudogene",..: 16 16 16 16 16 16 16 16 16 16 ...
看了一下TCGA的ID有60483 ，ensembl的ID有60564 合并一下有只有56549个少了4000多个
write.table(b,file="xxxl.txt",sep="\t",quote=F,row.names = T) ###保存一下
write.table(a,file="xxxxl.txt",sep="\t",quote=F,row.names = T) ###保存一下
保存下来看一下差异在哪，我看一下跟市面上脚本合并的差的不是很多同时我也提供了一个perl的脚本来进行转换
use strict;
my $gtfFile="Homo_sapiens.GRCh38.98.chr.gtf";
my $expFile="mRNAmatrix.txt";
my $outFile="symbol.txt";
my %hash=();
open(RF,"$gtfFile") or die $!;
while(my $line=<RF>)
{
chomp($line);
if($line=~/gene_id \"(.+?)\"\;.+gene_name "(.+?)"\;.+gene_biotype \"(.+?)\"\;/)
{
$hash{$1}=$2;
}
}
close(RF);
open(RF,"$expFile") or die $!;
open(WF,">$outFile") or die $!;
while(my $line=<RF>)
{
if($.==1)
{
print WF $line;
next;
}
chomp($line);
my @arr=split(/\t/,$line);
$arr[0]=~s/(.+)\..+/$1/g;
if(exists $hash{$arr[0]})
{
$arr[0]=$hash{$arr[0]};
print WF join("\t",@arr) . "\n";
}
}
close(WF);
close(RF);
这个脚本转化的是有56639的基因，差了将近100个基因不知道为啥，没有进行细微的探究，有知道给给我的答案。
汇总前面的R代码
library(refGenome)
ens <- ensemblGenome()
read.gtf(ens, "Homo_sapiens.GRCh38.98.chr.gtf")###导入gtf文件 比较耗时
class(ens)
my_gene <- getGenePositions(ens)
colnames(my_gene)
gene_id<- my_gene[,16]
gene_name <- my_gene[,19]
gene_biotype <- my_gene[,21]
a <- cbind(gene_id,gene_name,gene_biotype）
rt=read.table("id.txt",sep="\t",header=T,check.names=F)
b <- merge(rt, a, by = "gene_id")##合并通过gene ID
write.table(b,file="xxxl.txt",sep="\t",quote=F,row.names = T) ###保存一下
write.table(a,file="xxxxl.txt",sep="\t",quote=F,row.names = T) ###保存一下
