然而,一个bug卡了我一天,这都怪我没学好分子生物学。本科是学林学的,整天在林子里拈花惹草,硕士莫名进了一个癌生物学湿实验室,又莫名的成为全实验室唯一一个做生信的人。研一把课全翘了留在实验室写代码,偶尔去上课就捧着Mac air躲在班级最后一排鬼鬼祟祟,我室友后来说发白光的小苹果像是在嘲笑老师。
这个bug是,在结束果子老师的教程全文后,我将lncRNA和mRNA的表达谱提出来,把他们的gene symbol 做交集,竟发现有一万个重复的基因。
于是,我回去查bug。
type是基因,gene_biotype是蛋白质编码基因,这没毛病
这时将type设为transcript,果子老师在原文中解释说,有一部分编码基因,转录成非编码RNA了,“一个编码基因也有可能转录出非编码基因的,对么?”
这句话我拿去问师兄们,他们一致说,怎么可能。
编码基因(protein_coding gene)在转录时,外显子重新编码到一起,就算有可变剪切体,也是编码出多种蛋白质,怎么可能转录出非编码RNA呢?
为了验证蛋白质编码基因能否转录出非编码RNA,我将代码改为
type=='transcript' 说明我要的是转录本
gene_biotype='protein_coding' 说明基因类型要的是蛋白质编码基因
transcript_biotype %in% ncRNA 是要指定的几种ncRNA类型
这逻辑没毛病
跑了之后,
标红处可以看出,蛋白质编码基因,对应着的转录本类型有且只有processed_transcript
百度肯定不会告诉我们答案,呵,百度,你对力量一无所知。
正确上网后
原网址:http://vega.archive.ensembl.org/info/about/gene_and_transcript_types.html
可见,processed_transcript不含ORF,包含LncRNA, ncRNA和unclassified processed transcript。由于transcript_biotype中已经含有'sense_overlapping', 'lincRNA', '3prime_overlapping_ncRNA'等很多种,所以我推测, 此处的processed_transcript就是未分类的转录本。
因此果子老师的那句话是对的,至少GTF告诉我们,一个编码基因也有可能转录出非编码基因的。
由于我的分子生物学底子非常弱,还请各位前辈多多指教。
那么,如果想从TCGA里提lncRNA,不要蛋白质编码基因转录出来的该怎么写
小礼物走一走,来简书关注我
作者:PriscillaBai
链接:https://www.jianshu.com/p/a16be0a79f14
來源:简书
简书著作权归作者所有,任何形式的转载都请联系作者获得授权并注明出处。
联系客服