文章轉(zhuǎn)載于 Original 2017-06-12 liuhui 生信百科

相似的基因在不同物種中，其功能往往保守的。顯然，需要一個統(tǒng)一的術(shù)語用于描述這些跨物種的同源基因及其基因產(chǎn)物的功能，否則，不同的實(shí)驗(yàn)室對相同的基因的功能的描述不同，將極大限制學(xué)術(shù)的交流。而 Gene Ontology (GO) 項(xiàng)目正是為了能夠使對各種數(shù)據(jù)庫中基因獲基因產(chǎn)物功能描述相一致的努力結(jié)果。

所謂的 GO，是生物學(xué)功能注釋的一個標(biāo)準(zhǔn)詞匯表術(shù)語（GO term），將基因的功能分為三部分：

• 基因執(zhí)行的分子功能（Molecular Function）

• 基因所處的細(xì)胞組分（Cellular Component）

• 基因以及參與的生物學(xué)過程（Biological Process）

不同的 GO term 通過有向無環(huán)圖關(guān)聯(lián)起來，如下圖所示：

可以看出，不同的 GO term 間的關(guān)系由三類：is_a、part_of 和 regulates。

如 regulation of cell projection assembly 是一種生物學(xué)過程，是 regulation of cell projection organization 中的一類（is_a），還調(diào)節(jié)（regulates）cell projection assembly；又如 cellular component assembly 是 celluar component biogenesis 的一部分（part_of）。值得注意的是，這些關(guān)系都是有方向的，即反過來不成立，因而叫做有向無環(huán)圖。

目前，GO 注釋主要有兩種方法：

• （1）序列相似性比對（BLAST）

• （2）結(jié)構(gòu)域相似性比對（InterProScan）

這里以序列相似性比對為例，簡單介紹 GO 注釋的步驟：

將基因序列與 swiss-prot 蛋白質(zhì)數(shù)據(jù)庫進(jìn)行 BLAST （blastp 或者 blastx，這篇文章介紹了如何做 BLAST 分析：BLAST 知多少？）比對，得到如下結(jié)果：

c49_g1_i1       RNF13_MOUSE     52.00   50      23      1       17      166     240     288     2e-11   65.5

c72_g1_i1       RS25_NEUCR      78.72   94      20      0       375     94      1       94      1e-32   116

c75_g1_i1       POLX_TOBAC      45.28   53      29      0       162     4       457     509     1e-08   55.1

c86_g2_i1       POLX_TOBAC      46.43   112     60      0       339     4       879     990     2e-30   120

c91_g1_i1       BUB1_ARATH      55.71   70      28      2       61      264     289     357     1e-14   73.6

c143_g1_i1      STL1_YEAST      31.98   172     85      4       6       518     407     547     6e-17   82.8

c150_g1_i1      CST26_YEAST     37.63   93      38      3       223     5       142     234     6e-10   58.2

c150_g2_i1      YHOE_SCHPO      42.67   75      41      1       227     3       54      126     5e-16   74.7

c156_g2_i1      EXOL2_ARATH     47.17   53      28      0       299     141     229     281     6e-06   47.0

c169_g1_i1      SPT5_ASPFU      60.98   82      31      1       20      262     725     806     2e-18   84.0

其中，第二列 swiss-prot 蛋白質(zhì)數(shù)據(jù)庫序列的 ID（UniProtKB ID）。

從 ftp://ftp.pir.georgetown.edu/databases/idmapping 下載 idmapping.tb.gz，該文件共有 22 列（tab 鍵分割）：

Q6GZX4  001R_FRG3G      2947773 YP_031579.1     81941549; 49237298              PF04947 GO:0006355; GO:0046782; GO:0006351                      UniRef100_Q6GZX4  UniRef90_Q6GZX4 UniRef50_Q6GZX4 UPI00003B0FD4           654924                          15165820        AY548484        AAT09660.1

每一列的含義分別為 （可以看出，許多數(shù)據(jù)庫已經(jīng)和GO關(guān)聯(lián)了）： 

1. UniProtKB accession

2. UniProtKB ID

3. EntrezGene

4. RefSeq

5. NCBI GI number

6. PDB

7. Pfam

8. GO

9. PIRSF

10. IPI

11. UniRef100

12. UniRef90

13. UniRef50

14. UniParc

15. PIR-PSD accession

16. NCBI taxonomy

17. MIM

18. UniGene

19. Ensembl

20. PubMed ID

21. EMBL/GenBank/DDBJ

22. EMBL protein_id

根據(jù)文件 idmapping.tb.gz，將 blast 的結(jié)果，通過 UniProtKB ID，將第八列的 GO 號注釋到對應(yīng)的基因上

python UniProt2GO_annotate.py idmapping.tb.gz blastout outputfile

結(jié)果如下：

c93619_g2_i1    GO:0005506,GO:0016705,GO:0016021,GO:0004497,GO:0020037

c93619_g2_i3    GO:0009733,GO:0020037,GO:0044550,GO:0016021,GO:0016020,GO:0016711,GO:0009813,GO:0005789,GO:0005506

c70056_g1_i1    GO:0005737,GO:0019722,GO:0071889,GO:0005829,GO:0001077,GO:0006357,GO:0097720,GO:0000978,GO:0046872,GO:0005634,GO:0006874

c93748_g1_i1    GO:0006729,GO:0008124

c107639_g1_i1   GO:0009737,GO:0009738,GO:0005623,GO:0006970,GO:0009651,GO:0045454,GO:0009789

c106424_g1_i1   GO:0043565,GO:0009555,GO:0003700,GO:0005634,GO:0009793,GO:0006351

c66585_g1_i1    GO:0005737,GO:0003746,GO:0003924,GO:0005525

c110618_g1_i8   GO:0015297,GO:0016021,GO:0015238

c105249_g1_i5   GO:0046872,GO:0043161,GO:0005829,GO:0006915,GO:0032648,GO:0050691,GO:0005654,GO:0070936,GO:0061630,GO:0005634

c134727_g1_i1   GO:0072546,GO:0030246,GO:0005783