常用生物信息 ID 及转换方法
众多不同的数据库所采用的对 Gene 和 Protein 编号的 ID 也是不同的, 所以在使用不同数据库数据的时候需要进行 ID 转换.
常用数据库 ID
ID 示例ID 来源
ENSG00000116717
Ensemble ID
GA45A_HUMAN
UniProtKB/Swiss-Prot, entry name
A5PJB2_BOVIN
UniProtKB/TrEMBL, entry name
A2BC19, P12345, A0A022YWF9
UniProt, accession number
GLA, GLB, UGT1A1
HGNC Gene Symbol
U12345, AF123456
GenBank, NCBI, accession number
NT_123456, NM_123456, NP_123456
RefSeq, NCBI, accession number
10598, 717
Entrez ID, NCBI
uc001ett, uc031tla.1
UCSC ID
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.
常用物种前缀
前缀学名
ENSCEL
Caenorhabditis elegans (Caenorhabditis elegans)
ENSCAF
Canis lupus familiaris (Dog)
ENSDAR
Danio rerio (Zebrafish)
FB
Drosophila melanogaster (Fruitfly)
ENS
Homo sapiens (Human)
ENSMUS
Mus musculus (Mouse)
ENSRNO
Rattus norvegicus (Rat)
ENSXET
Xenopus tropicalis (Xenopus)
类型前缀
前缀类型
E
exon
FM
Ensembl protein family
G
gene
GT
gene tree
P
protein
R
regulatory feature
T
transcript
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:
Code(X)Recommended protein nameGene name
B2MG
Beta-2-microglobulin
B2M
HBA
Hemoglobin subunit alpha
HBA1
INS
Insulin
INS
CAD17
Cadherin-17
CDH17
物种编号示例如下:
CodeSpecies
BOVIN
Bovine
CHICK
Chicken
ECOLI
Escherichia coli
HORSE
Horse
HUMAN
Homo sapiens
MAIZE
Maize (Zea mays)
MOUSE
Mouse
PEA
Garden pea (Pisum sativum)
PIG
Pig
RABIT
Rabbit
RAT
Rat
SHEEP
Sheep
SOYBN
Soybean (Glycine max)
TOBAC
Common tobacco (Nicotina tabacum)
WHEAT
Wheat (Triticum aestivum)
YEAST
Baker’s yeast (Saccharomyces cerevisiae)
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:
12345678910
[O P Q]
[0-9]
[A-Z 0-9]
[A-Z 0-9]
[A-Z 0-9]
[0-9]
[A-N R-Z]
[0-9]
[A-Z]
[A-Z 0-9]
[A-Z 0-9]
[0-9]
[A-N R-Z]
[0-9]
[A-Z]
[A-Z 0-9]
[A-Z 0-9]
[0-9]
[A-Z]
[A-Z 0-9]
[A-Z 0-9]
[0-9]
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.
HUGO Gene Nomenclature Committee
Gene Symbol
Gene Symbol 是用来表示基因的编码, 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: GLA "galactosidase, alpha"; GLB "galactosidase, beta"; UGT1A1 "UDP glycosyltransferase 1 family, polypeptide A1" 再到 UGT1A13 代表了 13 个不同的 gene symbol.
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.
Accession 前缀类型说明
AC_
Genomic
Complete genomic molecule, usually alternate assembly
NC_
Genomic
Complete genomic molecule, usually reference assembly
NG_
Genomic
Incomplete genomic region
NT_
Genomic
Contig or scaffold, clone-based or WGS
NW_
Genomic
Contig or scaffold, primarily WGS
NS_
Genomic
Environmental sequence
NZ_
Genomic
Unfinished WGS
NM_
mRNA
NR_
RNA
XM_
mRNA
Predicted model
XR_
RNA
Predicted model
AP_
Protein
Annotated on AC_ alternate assembly
NP_
Protein
Associated with an NM_ or NC_ accession
YP_
Protein
XP_
Protein
Predicted model, associated with an XM_ accession
ZP_
Protein
Predicted model, annotated on NZ_ genomic records
WGS: Whole Genome Shotgun sequence data, 鸟枪法测序.
Entrez ID
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.
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.
ID Mapping
Uniprot ID mapping 可以很方便地把 ID 转换为其他 ID 类型, 所包含的类型十分全面.
bioDBnet 网站提供了常见的 ID 转换的选项, 类型全面.
DAVID Gene ID Conversion Tool 可以把 Gene ID 转换为多种常用类型和 DAVID ID, 方便进一步用 DAVID 做 GO 分析.
BridgeDB 一套提供 ID 转换的框架.
Human genes converter 把常用的 Ensambl ID 或 Symbol 转换为 Gene 的 Entrez ID.