【1.2.1】常用数据库ID表示方式

虽然有综合性的数据库收集整理了百余种ID，使得它们之间的对应及转换得以顺利进行，但大部分数据分析过程中并不会用到所有的数据ID，最常见的如下表。

常用数据库 ID

一、Ensembl stable IDs

Ensembl stable ID 的结构是根据不同物种设置的前缀, 加上数据所指的类型, 如基因蛋白质, 再加上一系列的数字. 有的时候可以有不同的版本, 则在 Ensembl ID 后面加上小数点和版本号。

Ensembl ID的由5部分构成: ENS(species)(object type)(identifier).(version)

第一部分ENS代表这是一个Ensembl ID
第二部分代表物种, 如MUS代表小鼠(如果物种是人则此处为空)
第三部分代表ID的类型, 如G代表基因, T代表转录本, P代表蛋白, E代表外显子, S代表
第四部分是一个特殊的数字标志
第五部分代表版本号

如:ENSMUSG00000017167.6

我们知道这是一个Ensembl ID (ENS), 物种为小鼠(MUS), 代表一个基因(G), 并且这是第6个版本(.6).

常用物种前缀

类型前缀

Ensembl_gene_identifier就是所谓的ENTREZ_GENE_ID, 即Ensembl ID里的一种, Enseml ID包括exon, protein family, gene, gene tree, protein, regulatory feature 和 transcript.

详见： https://qinqianshan.com/biology/biodatabase/ensembl/

二、UniProt

UniProt 中录入的数据都被分配了一个唯一的 entry name.

UniProtKB/Swiss-Prot entry name UniProtKB/Swiss-Prot entry name 是最多有 11 位包含大写字母的字符串, 一般有着 “X_Y” 的形式, 其中 “X” 是最多五个便于记忆的蛋白质编号, “_” 是下划线, “Y” 是最多五个便于记忆的物种编号.

蛋白质编号示例如下:

物种编号示例如下:

UniProtKB/TrEMBL entry name

UniProtKB/TrEMBL entry name 是最多 16 位包含大写字母的字符串, 一般有着 “X_Y” 的形式, 其中 “X” 是 6 到 10 个字符组成的 accession number, “_” 是下划线, “Y” 是最多五个便于记忆的物种编号.

Accession Number

UniProtKB 的 Accession Number 相当于数据库的主键, 由 6 到 10 个大写字母或者数字组成. 其构成规律为:

[OPQ][0-9][A-Z0-9]{3}[0-9]|[A-NR-Z][0-9]([A-Z][A-Z0-9]{2}[0-9]){1,2}

实际上, accession number 是三种类型:

如果一个条目被分成两个, 或者多个条目合成一个, 则有相应的 accession number 继承规则.

详见： https://qinqianshan.com/biology/biodatabase/first-protein-sequence-database-uniprot/

三、 HUGO Gene Nomenclature Committee

Gene Symbol 是用来表示人的基因的编码, 由大写字母构成, 或由大写字母和数字构成, 首字母均应该是字母。如:

gene symbol : gene name

• GLA ：“galactosidase, alpha”;
• GLB ：“galactosidase, beta”;
• UGT1A1 ：“UDP glycosyltransferase 1 family, polypeptide A1” ，从UGT1A1到 UGT1A13 代表了 13 个不同的 gene symbol.

具体参考： https://qinqianshan.com/biology/biodatabase/hugo-gene-nomenclature-committee/

四、NCBI

GenBank Accession Number：GenBank 的通用 accession number 通常是由一个大写字母加上 5 个数字的组合, 或者两个大写字母加上 6 个数字的组合.

RefSeq Accession Number：RefSeq 有一套特殊的 Accesion Number. 形式是: [A-Z]{2}[_][0-9]{6:}, 两个大写字母, 一个下划线, 6 个或更多的数字.

WGS: Whole Genome Shotgun sequence data, 鸟枪法测序.

详见： https://qinqianshan.com/biology/biodatabase/genbank/

五、Entrez ID

GeneID即Entrez Gene ID(是NCBI中用来连接各个不同数据库统一的基因标志符)（参考链接:https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3013746/）

Entrez 是 NCBI 使用的能够对众多数据库进行联合搜索的搜索引擎, 其对不同的 Gene 进行了编号, 每个 gene 的编号就是 entrez gene id. 由于 entrez id 相对稳定, 所以也被众多其他数据库, 如 KEGG 等采用. Entrez Gene ID 就是一系列数字, 也比较容易辨识. R 或网站都有众多的工具可以帮助从不同的 ID 转换为 entrez id 或者反向转换。生信菜鸟团的博客《NCBI的基因entrezID相关文件介绍》讲解了Entrez ID主要的信息文件。可以直接搜索。

上表中geneid即为 Entrezid. 在ID转换中有重要的作用。

详见： https://qinqianshan.com/biology/biodatabase/entrez/

六、UCSC ID

UCSC ID 由小写字母和数字构成, 起始均为 uc, 然后是三位数字, 接着又是三位小写字母, 最后有小数点和数字构成版本号。如: uc010qfk.3, uc010qfk.3.这个ID几乎被抛弃不用了，只是因为UCSC是三大数据库之一而已。

详见： https://qinqianshan.com/biology/biodatabase/ucsc/

七、UniGene

UniGene_cluster代表UNIGene数据库的条目 每一个UniGene Cluster包含代表单一基因的mRNA和EST序列, 包括基因表达的组织类型和图谱定位信息. 其格式为(species).(cluster ID number) 如Hs.437460

八、ID 转换

最重要的就是怎么实现ID转换。常用的id有entrez gene ID, HUGO symbol, refseq ID, ensembl ID。他们之间进行转换，做一些后续的分析。一般初学者用的ID转换的工具就是DAVID，R里面关于ID转换常用的包为org.Hs.eg.db这一类的包。

方法1：通过网站转化

1. 在DAVID网站
2. https://www.genecards.org/
3. https://www.genenames.org/

方法2：用R包。

1. 不管是什么ID转换，都是找到对应关系，然后match一下即可！–《生信编程直播第8题-几个ID转换咯》有完整代码
2. 用R包，基于org.Xx.eg.db系列包，进行ID转换。–《ID转换大全》由完整代码

九、讨论

总之：

entrez gene ID 文盲不会写汉字，只能运用纯数字
Ensembl ID 有文化，身前物种做玉坠
refseq ID最懒惰，一躺在中间，字母在两边
Gene Symbol大写字母加数字，一生平庸最常见

注：

tax_id代表物种的id, 如人类是9606

参考资料

http://www.biotrainee.com/thread-411-1-1.html