r - 通过基因 id 获取 SNP 列表的最佳方法？

Question

我有一个很长的基因数据框和各种形式的 id(例如 OMIM、Ensembl、Genatlas)。我想获得与每个基因相关的所有 SNP 的列表。 (这是 this question 的反面。)

到目前为止，我发现的最佳解决方案是使用 biomaRt package (bioconductor) .有一个我需要做的查找类型的示例 here .适合我的目的，这是我的代码:

library(biomaRt)

#load the human variation data
variation = useEnsembl(biomart="snp", dataset="hsapiens_snp")

#look up a single gene and get SNP data
getBM(attributes = c(
  "ensembl_gene_stable_id",
  'refsnp_id',
  'chr_name',
  'chrom_start',
  'chrom_end',
  'minor_allele',
  'minor_allele_freq'),
  filters = 'ensembl_gene',
  values ="ENSG00000166813",
  mart = variation
)

这会输出一个像这样开始的数据帧:

  ensembl_gene_stable_id  refsnp_id chr_name chrom_start chrom_end minor_allele minor_allele_freq
1        ENSG00000166813  rs8179065       15    89652777  89652777            T          0.242412
2        ENSG00000166813  rs8179066       15    89652736  89652736            C          0.139776
3        ENSG00000166813 rs12899599       15    89629243  89629243            A          0.121006
4        ENSG00000166813 rs12899845       15    89621954  89621954            C          0.421126
5        ENSG00000166813 rs12900185       15    89631884  89631884            A          0.449681
6        ENSG00000166813 rs12900805       15    89631593  89631593            T          0.439297

(4612 行)

代码有效，但运行时间极长。对于上述，大约需要 45 秒。我想这可能与等位基因频率有关，服务器可能会即时计算这些频率。但是查找 SNP rs ids 的最低限度需要大约 25 秒。我有几千个基因，所以这需要一整天(假设没有超时或其他错误)。这不可能是对的。我的互联网连接速度不慢(20-30 兆位)。

我尝试在每个查询中查找更多基因。这确实有帮助。一次查找 10 个基因的速度大约是查找单个基因的 10 倍。

获得与基因 ID 载体相关的 SNP 载体的最佳方法是什么？

如果我可以只下载两张表，一张是基因及其位置，一张是 SNP 及其位置，那么我可以使用 轻松解决这个问题。 dplyr (或者可能 data.table )。我一直没能找到这样的表。

Answer 1

由于您使用的是 R，这里有一个使用包 rentrez 的想法。 .它利用了 NCBI 的 Entrez数据库系统，尤其是 eutils 函数，elink .您必须围绕此编写一些代码并可能调整参数，但这可能是一个好的开始。

library(rentrez)
# for converting gene name -> gene id
gene_search <- entrez_search(db="gene", term="(PTEN[Gene Name]) AND Homo sapiens[Organism]", retmax=1)
geneId <- gene_search$ids 
# elink function
snp_links <- entrez_link(dbfrom='gene', id=geneId, db='snp')

# access results with $links
length(snp_links$links$gene_snp)
5779

head(snp_links$links$gene_snp)
'864622690' '864622594' '864622518' '864622451' '864622387' '864622341' 

我建议您手动仔细检查 SNP 的数量是否与您对感兴趣的基因的期望相符——您可能需要进一步深入研究并通过转录本等进行限制……

对于多个基因 ID:

multi_snp_links <- entrez_link(dbfrom='gene', id=c("5728", "374654"), db='snp', by_id=TRUE)
lapply(multi_snp_links, function(x) head(x$links$gene_snp))
1.    '864622690' '864622594' '864622518' '864622451' '864622387' '864622341' 
2.    '797045093' '797044466' '797044465' '797044464' '797044463' '797016353' 

结果按基因分组 by_id=TRUE