CpG Islands记录文件下载的4种方式

ulwvfje — Thu, 15 Dec 2016 11:25:31 +0000

这个也是读者来信最多的，关于基因组某些区域的起始终止坐标的下载问题，genomic feature的问题，一般是gtf文件或者bed文件，比如人类hg19上面的所有外显子的坐标记录文件，所有基因的坐标记录文件，所有lncRNA，rRNA等等，我这里拿CpG Islands记录文件下载的4种方式举例子给大家说明一下：

自己先理解几个概念：CpGI, CpG Shore, CpG shelf regions

最简单的首推UCSC的table browser(https://genome-euro.ucsc.edu/cgi-bin/hgTables)，而且以BED格式文件格式输出(是普通的文本数据)

BED (Browser Extensible Data) format provides a flexible way to define the data lines that are displayed in an annotation track

下面是一个简单的实例，获取mm10的 CpG island 的坐标记录文件，根据你的需求，实时创建一个文件：

如果你足够聪明的话，应该明白，上面的选项任意组合，是可以现在各种记录文件的，包括基因的坐标，外显子的坐标，转录本的坐标，等等。

然后就是直接去ftp网站里面寻找文件下载， http://hgdownload.soe.ucsc.edu/downloads.html. Click on "Human" then "Annotation Database", and finally "cpgIslandExt.txt.gz" 其实就是修改url即可：

http://hgdownload.soe.ucsc.edu/goldenPath/mm10/database/

http://hgdownload.soe.ucsc.edu/goldenPath/mm9/database/

http://hgdownload.soe.ucsc.edu/goldenPath/hg19/database/

http://hgdownload.soe.ucsc.edu/goldenPath/hg38/database/

在里面搜索文件即可，可以看到，两种方法下载的数据是一样的，而且mouse已知的cpgIsland，要比人类少很多，应该是mouse的研究不够透彻

当然ensembl数据库的biomart界面也可以做同样的事情，
最后，biomart还有一个biomaRt的R包也可以。

4种方法，就讲解完毕啦！

另外，强烈推荐R里面的genomic features相关的包，非常好学，学完了受益无穷！~~

本质上，就是理解TxDb和GenomicRanges对象而已。

##　https://www.bioconductor.org/packages/devel/data/annotation/?TxDb
?GenomicRanges

library(TxDb.Mmusculus.UCSC.mm10.knownGene)
library(TxDb.Hsapiens.UCSC.hg19.knownGene)
library(EnsDb.Hsapiens.v75)
library(EnsDb.Mmusculus.v79)
ls('package:EnsDb.Mmusculus.v79')

library(BSgenome.Hsapiens.UCSC.hg19.masked)
library(BSgenome.Hsapiens.UCSC.hg19)

library(EnsDb.Hsapiens.v75)
annoData <- genes(EnsDb.Mmusculus.v79)
annoData[1:2];length(annoData)
ranges(annoData[1:2])

txdb <- TxDb.Mmusculus.UCSC.mm10.knownGene
txdb_dump <- as.list(txdb)
txdb_dump$genes

subtract 2000bp and add 2000 to the CpG island region to get CpG shore regions

生信菜鸟团 » CpG Islands

CpG Islands记录文件下载的4种方式