ds数据与mysql_比较CCDS数据库和R包内置数据集的差异

青旅半醒 2022-10-23 04:58 168阅读 0赞

因为昨天看到了TxDb.Hsapiens.UCSC.hg38.knownGene 包来获取基因的坐标及长度跟其它主流数据库有差异，所以今天彻底比较一下TxDb.Hsapiens.UCSC.hg38.knownGene 包和CCDS数据库的差异。

通过CCDS基因的外显子长度之和

这里还是使用CCDS记录文件吧，在数据库：ftp://ftp.ncbi.nlm.nih.gov/pub/CCDS/

wget ftp://ftp.ncbi.nlm.nih.gov/pub/CCDS/current\_human/CCDS.20180614.txt

cat CCDS.20180614.txt |perl -alne '\{/\\\[(.\*?)\\\]/;next unless $1;$gene=$F\[2\];$exons=$1;$exons=~s/\\s//g;$exons=~s/-/\\t/g;print "$F\[0\]\\t$\_\\t$gene" foreach split/,/,$exons;\}'|sort -u |bedtools sort -i >exon\_probe.hg38.gene.bed

cat exon\_probe.hg38.gene.bed|perl -alne '\{$s+=$F\[2\]-$F\[1\]\}END\{print $s\}'

\#\# 计算得到 WES 全长是 36540331， 约 38Mb，所以就采用这个吧

cat exon\_probe.hg38.gene.bed|perl -alne '\{$s\{$F\[3\]\}+=$F\[2\]-$F\[1\]\}END\{print "$\_\\t$s\{$\_\}" foreach keys %s\}' > gene\_length.human.txt

通过TxDb.Hsapiens.UCSC.hg38.knownGene 包得到

\# 参考我GitHub项目：https://github.com/jmzeng1314/scRNA\_smart\_seq2/blob/master/RNA-seq/step7-counts2rpkm.R

\# 获取基因长度。

library(TxDb.Hsapiens.UCSC.hg38.knownGene)

txdb

\#\# 下面是定义基因长度为 非冗余exon长度之和, 即WES的基因长度

if(F)\{

exon\_txdb=exons(txdb)

genes\_txdb=genes(txdb)

genes\_txdb

?GRanges

\# 因为有些基因之间有overlap，所以这个并不是最标准答案。

o = findOverlaps(exon\_txdb,genes\_txdb)

\#\# exon - 1 : chr1 4807893-4807982

\#\# 1 6523

\# genes\_txdb\[6523\] \# chr1 4807893-4846735 , 18777

t1=exon\_txdb\[queryHits(o)\]

t2=genes\_txdb\[subjectHits(o)\]

t1=as.data.frame(t1)

t1$geneid=mcols(t2)\[,1\]

\# 如果觉得速度不够，就参考R语言实现并行计算

\# http://www.bio-info-trainee.com/956.html

\#lapply : 遍历列表向量内的每个元素，并且使用指定函数来对其元素进行处理。返回列表向量。

\#函数split()可以按照分组因子，把向量，矩阵和数据框进行适当的分组;

\#它的返回值是一个列表，代表分组变量每个水平的观测。

g\_l = lapply(split(t1,t1$geneid),function(x)\{

\# x=split(t1,t1$geneid)\[\[1\]\]

head(x)

tmp=apply(x,1,function(y)\{

y\[2\]:y\[3\]

\})

length(unique(unlist(tmp)))

\# sum(x\[,4\])

\})

head(g\_l)

g\_l=data.frame(gene\_id=names(g\_l),length=as.numeric(g\_l))

head(g\_l)

save(g\_l,file = 'gene\_length\_of\_hg38.Rdata')

load(file = 'gene\_length\_of\_hg38.Rdata')

sum(g\_l$length)

接下来比较两种数据库的区别

因为两个数据来源的基因长度都计算得到了，就可以在R里面看看它们的相关性：

gl=read.table('gene\_length.human.txt')

head(gl)

colnames(gl)=c('symbol','length\_CCDS')

load(file = 'gene\_length\_of\_hg38.Rdata')

head(g\_l)

colnames(g\_l)=c('gene\_id', 'length\_R')

library(org.Hs.eg.db)

columns(org.Hs.eg.db)

e2s=toTable(org.Hs.egSYMBOL)

head(e2s)

g\_l=merge(g\_l,e2s,by='gene\_id')

comp=merge(g\_l,gl,by='symbol')

comp\[,3\]=log(comp\[,3\])

comp\[,4\]=log(comp\[,4\])

plot(comp\[,3:4\])

head(comp)

library(ggpubr)

ggscatter(comp,'length\_R','length\_CCDS')

通过google搜索，重新绘制图代码如下：

library(ggpubr)

p=ggscatter(comp,'length\_R','length\_CCDS',

color = "black", shape = 21, size = 0.3, \# Points color, shape and size

add = "reg.line", \# Add regressin line

add.params = list(color = "blue", fill = "lightgray"), \# Customize reg. line

conf.int = TRUE, \# Add confidence interval

cor.coef = TRUE, \# Add correlation coefficient. see ?stat\_cor

cor.coeff.args = list(method = "pearson", label.x = 3, label.sep = "\\n")

)

p+geom\_abline(intercept = 0, slope = 1, color="red",

linetype="dashed", size=1.5)

效果如下：

![5beadb44d2966354d1281f3b0a0595ba.png][]

可以很明显看到，通过TxDb.Hsapiens.UCSC.hg38.knownGene 包选择非冗余外显子坐标之后作为基因长度，是会有搞大基长度的倾向，这个是无法避免的， 因为CCDS数据库记录的是基因的CDS，而不是外显子之后，前面我们就强调过，5端和3端的外显子是UTR区域，不是CDS。

然后值得注意的是那些离群点，就是目前主流数据库维护者都束手无策的基因，它们的基因组定位很模糊，我们人类对它们的研究很有限。

我们再看看最长转录本长度

library(TxDb.Hsapiens.UCSC.hg38.knownGene)

txdb = TxDb.Hsapiens.UCSC.hg38.knownGene

tx\_by\_gene = transcriptsBy(txdb, by="gene")

gene\_lens = as.data.frame(max(width(tx\_by\_gene)))

gene\_lens$gene\_id=rownames(gene\_lens)

colnames(gene\_lens)=c('length\_R','gene\_id')

\# 然后走上面同样的流程，发现图也并没有太大的区别，只不过是我昨天拿来做特例的基因的离谱程度被削弱了

[5beadb44d2966354d1281f3b0a0595ba.png]: /images/20221022/561785ebf18843bb8c3b8b818d232614.png

ds数据与mysql_比较CCDS数据库和R包内置数据集的差异

发表评论取消回复

还没有评论，来说两句吧...

相关阅读

相关 MySQL数据库解读之-内置的数据库

相关 MySQL数据库解读之-内置数据库：mysql

相关 MySQL与Oracle 差异比较——函数。

相关 MySQL快速比较数据库表数据

相关数据库数据差异比对

相关二、数据集与数据类型【R与统计】

相关 ds数据与mysql_比较CCDS数据库和R包内置数据集的差异

相关【hive内置基本数据类型】和【内置复合数据类型用法】

相关 MySQL与Oracle 差异比较之一数据类型

相关将openfire内置数据库hsqldb的数据备份迁移置mysql