需求描述

知道基因的ENTREZID。需要下载基因的核苷酸序列。

下载过程

R语言当中的rentrez可以对ncbi数据库转换为API形式来批量下载数据。由于ENTREZID是ncbi核苷酸数据库的唯一ID。所以我们需要的就是通过这个ID找到蛋白数据库当中的ID号。进而下载数据即可。步骤主要分成这几部。

  1. 构建检索方式。ID号通过id + [UID]可以进行唯一检索
  2. 通过链接的方式得到protein数据对应的基因的蛋白ID
  3. 通过数据抓取的方式，抓取fasta的核苷酸序列。

实现代码

# 构建示例ID
entrezID <- c("8241", "4008", "51025", "399687", "9782")
# 加载关键的包
library(rentrez)
# 单个基因演示
proteinID <- entrez_link(dbfrom = "gene", db = "protein", id = "8241[UID]")
proteinID$links$gene_protein_refseq # 一个基因可能有多个转录本。
##  [1] "1370525043" "1370525040" "1370525038" "1370525036" "1370525034"
##  [6] "1370525032" "1370525030" "1370525028" "1370525026" "1034675411"
## [11] "1034675409" "530421602"  "530421600"  "530421598"  "325120986" 
## [16] "325120984"  "325120982"  "23111018"   "20127479"
fasta1 <- entrez_fetch(db = "protein", id = proteinID$links$gene_protein_refseq[1], rettype = "fasta")
fasta1
## [1] ">XP_024308233.1 RNA-binding protein 10 isoform X13 [Homo sapiens]\nMDSILGALAPYAVLSSSNVRVIKDKQTQLNRGFAFIQLSTIVEAAQLLQILQALHPPLTIDGKTINVEFA\nKGSKRDMASNEGSRISAASVASTAIAAAQWAISQASQGGEGTWATSEEPPVDYSYYQQDEGYGNSQGTES\nSLYAHGYLKGTKGPGITGTKGDPTGAGPEASLEPGADSVSMQAFSRAQPGAAPGIYQQSAEASSSQGTAA\nNSQVSEPCGYVSRGGRQAAGVAWADTEPCSPVWPHDQSYTIMSPAVLKSELQSPTHPSSALPPATSPTAQ\nESYSQYPVPDVSTYQYDETSGYYYDPQTGLYYDPNSQYYYNAQSQQYLYWDGERRTYVPALEQSADGHKE\nTGAPSKEGKEKKEKHKTKTAQQIAKDMERWARSLNKQKENFKNSFQPISSLRDDERRESATADAGYAILE\nKKGALAERQHTSMDLPKLASDDRPSPPRGLVAAYSGESDSEEEQERGGPEREEKLTDWQKLACLLCRRQF\nPSKEALIRHQQLSGLHKQNLEIHRRAHLSENELEALEKNDMEQMKYRDRAAERREKYGIPEPPEPKRRKY\nGGISTASVDFEQPTRDGLGSDNIGSRMLQAMGWKEGSGLGRKKQGIVTPIEAQTRVRGSGLGARGSSYGV\nTSTESYKETLHKTMVTRFNEAQ\n\n"

如果是多个基因我们构建一个循环即可

ProteinSeq <- c()
for(i in entrezID){
    index <- paste0(i, "[UID]")
    proteinID <- entrez_link(dbfrom = "gene", db = "protein", id = index)
    fasta1 <- entrez_fetch(db = "protein", 
                           id = proteinID$links$gene_protein_refseq, rettype = "fasta")
    ProteinSeq <- c(ProteinSeq, fasta1)
}