芯片数据分析步骤6 探针注释

这是最常用的方法，也是要重点介绍的方法。基本原理就是使用bioconductor中的对应的芯片注释包，提取其中注释的信息去注释我们自己的芯片数据。这有个前提，那就是bioconductor中已经收录了芯片的注释包。如果没有收录就不能使用这个方法，只能用GPL信息去注释探针。上文就是一个经典例子。

使用biconductor注释探针有两种方法，

1. 一种是自己从注释包中提取注释信息，然后用merge函数合并。
2. 另一种是使用annotate包的函数注释。

两种方法的本质都是一样的，从芯片注释包中提取探针注释信息。下面分别讲解两种方法如何操作。

自行提取注释信息注释探针 这个方法需要事先下载芯片注释包。除了在网页上能够看到芯片种类，还可以使用show函数查看芯片种类。推荐使用show函数查看芯片信息。因为使用这个函数查看芯片信息的时候，如果没有下载对应的注释包的话会自动下载。免掉了自己上bioconductor查找下载注释包的麻烦。

下面的例子使用了ALL包的数据。

首先加载ALL数据。

> library(ALL)
> data(ALL)
> show(ALL)
ExpressionSet (storageMode: lockedEnvironment)
assayData: 12625 features, 128 samples 
  element names: exprs 
protocolData: none
phenoData
  sampleNames: 01005 01010 ... LAL4 (128 total)
  varLabels: cod diagnosis ... date last seen (21 total)
  varMetadata: labelDescription
featureData: none
experimentData: use 'experimentData(object)'
  pubMedIds: 14684422 16243790 
Annotation: hgu95av2 

Annotation显示芯片种类为hgu95av2，对应的注释包为hgu95av2.db。运行以下代码得到探针注释信息probe2symbol和表达矩阵

library(hgu95av2.db) #加载芯片注释包
columns(hgu95av2.db) #查看芯片注释包提供的注释信息
probe2symbol <- toTable(hgu95av2SYMBOL) #提取注释信息，这里选择GENESYMBOL进行注释。也可以选择其他ID进行注释，详情请见注释包的技术支持文档。
exprSet <- as.data.frame(exprs(ALL)) #提取表达矩阵，转换为data.frame对象
head(exprSet) #查看表达矩阵

可以看到，表达矩阵exprSet的rownames就是探针名，而缺少probe_id列。我们需要将包含探针信息的probe_id列加入表达矩阵exprSet中，然后用merge函数合并。代码如下。

exprSet$probe_id <- rownames(exprSet) #将行名转化为probe_id
exprSet_symbol <- merge(probe2symbol, exprSet, by = "probe_id") #合并探针注释和表达矩阵
dim(exprSet) #查看合并前的探针数目
dim(exprSet_symbol) #查看合并后的探针数目。可以见到除去了部分没有注释的探针。
exprSet_symbol$probe_id <- NULL #删掉不要的probe_id

使用 annotate 包注释 使用annotate包对探针进行注释比上述方法都要简单不少，只需要几步就可以完成。

下面的例子承接上文的ALL数据和注释包，依然是对探针进行GENESYMBOL注释。

library(annotate)
exprSet <- as.data.frame(exprs(ALL)) #提取表达矩阵，转换为data.frame对象
probeset <- rownames(exprSet) #提取行名为探针名
Symbol <- as.character(as.list(hgu95av2SYMBOL[probeset])) #提取探针对应的GENESYMBOL
exprSet_symbol <- cbind(Symbol,exprSet)

这样就得到了注释好的表达矩阵。

还可以使用annotate包提供的getSYMBOL函数提取GENESYMBOL信息或是使用lookUp函数提取注释信息。

getSYMBOL函数只能提取GENESYMBOL信息并对探针进行注释。而lookUp函数还可以提取ENTREZID等对探针进行注释。不过注意，getSYMBOL函数的返回值是character对象，因此可以直接使用exprSet_symbol <- cbind(Symbol,exprSet)命令进行注释。但lookUp函数返回值是list，需要先转换为character对象才能合并。

getSYMBOL函数的用法如下。

Symbol <- getSYMBOL(probeset, "hgu95av2.db")

其中hgu95av2是ALL数据使用的芯片，如果分析自己的芯片的话需要换成自己芯片的注释包。然后就可以直接合并了。

lookUp函数的用法如下。

先用columns命令查看hgu95av2包所能提供的注释信息。

> columns(hgu95av2.db)
 [1] "ACCNUM"   "ALIAS""ENSEMBL" "ENSEMBLPROT" [5] "ENSEMBLTRANS" "ENTREZID" "ENZYME" "EVIDENCE" [9] "EVIDENCEALL" "GENENAME" "GO" "GOALL" [13] "IPI" "MAP" "OMIM" "ONTOLOGY" [17] "ONTOLOGYALL" "PATH" "PFAM" "PMID" [21] "PROBEID" "PROSITE" "REFSEQ" "SYMBOL" [25] "UCSCKG" "UNIGENE" "UNIPROT" 

可以看到hgu95av2.db包提供了27种注释方式。我们选用”SYMBOL”注释探针。如果想用其他注释就把”SYMBOL”换成其他就好了，如”ENTREZID”。

Symbol <- as.character(lookUp(probeset, "hgu95av2", "SYMBOL"))

将lookUp函数的返回值转换成character对象，然后就可以直接合并了。