【Survey】Ensembl 與 VEP

| , | |

最近（2019/08）因為公司專案需求，因此稍微 Survey 一下 Ensembl 這個網站，不過 Survey 方向只會專注在專案需求上，並不會全面的 Survey 。

在 Survey 過程中最痛苦的大概是看懂並搞懂那些那些專有名詞，我的生物程度只停留在高三，而且還有退化的趨勢阿(( 崩潰


翻譯交雜
對 Bioinformatics 實在很不熟，許多專有名詞中國翻譯與臺灣翻譯交雜，我會儘量附上對應的英文方便日後找尋。

Ensembl Intro.

ensembl_logo Ensembl Logo（圖片來源: ensembl）

Ensembl 其實是一項開始於 1999 年的生物資訊學的研究計劃，由是一個由歐洲生物資訊研究所（European Bioinformatics Institute, EMBL）和維康基金桑格研究院（Wellcome Trust Sanger Institute）所推動。其目標是其致力於統整基因注釋（Annotation）和定序資料的整合，並讓研究人員可以透過網路來取得所需資料。

而網站則開始於 2000 年，原是一個真核生物注釋項目，主要側重在脊椎動物；但隨著時間推移，Ensembl 資料庫也包含了越來越多的基因體資料，同時，它的可用資料的範圍也擴展到了比較基因體學、變異位點…等方面。

Ensembl 可支援將基因體變異、基因體大範圍重組（e.g. chromothripsis, chromoplexy）以視覺化方式呈現、檢視基因在染色體上的注釋、探索某個基因同源性（Homology）和進化樹、檢視比對到基因上的 mRNA 或蛋白的序列位置及 Variant Effect Predictor…等功能。

截至目前為止，Ensembl 發布的最新資料庫版號為 97。但它有持續更新，需要可以自行上官網查詢。

  • 2023/01/05：我今天看好像已經到 Release 108 (Oct 2022)。

其他資料庫

除外 Ensembl 資料庫外，還有 NCBI（National Center for Biotechnology information）所提供的 GenBank 以及 UCSC 與其他資料庫，e.g. UniProt，前三者（在某些文章中）並列目前三大資料庫。

如果對三者的介紹有興趣可以看看這篇：〈NCBI, UCSC, Ensembl, Uniprot, 一次学完统统不要钱〉，要不要錢我是不知道啦，反正我的 WeChat 救不回來了，反正它前面公開的部分有稍微說到三個的資料庫差異，我只需要先對它們有個概念就好。

Ensembl 資料庫網站操作

在 Ensembl 資料庫網站想進行資料查詢，可藉由物種、基因名稱、基因位置與疾病名稱…等。這邊挑了兩種不同類型的搜尋結果做紀錄。

用物種搜尋

  1. 從主頁輸入搜尋物種 “Human”，搜尋需要一點時間，出來結果第一個條目就是智人了。

    Human Search Result

  2. 點擊搜尋結果，可以看到人類基因體的主頁。

    Human

  3. 點選 View karyotype 可以看到 Whole genome。

    Human Whole genome

  4. 點擊任意一條基因 → Jump to region view → Chromosome summary，可以看到每一條基因的資訊。

    Human Chromosome summary

用基因名稱搜尋

  1. 直接搜尋 “BRCA2” 結果，一樣第一個就是我們要的搜尋結果。

    BRCA2 Search Result

  2. 點擊後可以看到針對基因的描述等資訊。

    BRCA2

Ensembl ID

不過搜尋的時候看到那堆 ID、敘述…等，不禁讓人眼花撩亂，而且聽說不同的資料庫還都有不同的規則…這已經不是眼花撩亂而是頭痛欲裂了吧！不過也只能咬牙看下去了 QAQ


  1. 先看看頁面中最顯眼的 Gene: BRCA2
    BRCA2 是由 HGNC（HUGO Gene Nomenclature Committee，人類基因命名委員會）對基因進行命名描述的一個 HGNC Symbol，又稱為縮寫標識符，具有唯一性。

    人類基因命名委員會，顧名思義就是為人類基因進行命名的。由於 HUGO 是國際權威的權威機構，因此多數資料庫都會引入它的命名與 ID ，方便跨資料庫進行搜尋。


  2. 再看看 HGNC Symbol 右方的 ENSG00000139618
    這跟下方的 Ensembl version 是同一組編碼。是給 HGNC Symbol 在 Ensembl 中的一個編號，由五個部分所組成：
    1. ENS
      用來闡明這是一個 Ensembl ID。
    2. 物種前綴
      用來表示這是啥物種，如果有需要可以看對照表 → Species prefixes。值得一提的是，如果物種是人類，這欄位會是空的。
    3. 功能前綴
      用來註明這是一個基因、外顯子或是蛋白質家族…等。對照表 Feature prefixes 在這。
    4. 唯一的 11 碼數字
    5. 版本號
      在小數點之後的數字是版號，為了維持 stable，Ensembl ID 儘量不會變動，因此在基因資料發生一些小的改動時會去變動最後的版號。不過，如果整個基因整體模式都變動的話，還是會重新分配一個 ID。


  3. 往下看到 Description
    這行其實有兩項資訊。前面的 BRCA2 DNA repair associated ，其實是 HGNC 批准的全基因名稱，對應於上面的 HGNC Symbol。

    而後面的 HGNC:1101，則是 HGNC 分配的基因編號。雖然 HGNC Symbol 的可讀性較高，但在資料處理時一般會說建議使用 HGNC ID 作為唯一標識符。因為有時候 HGNC 會對一些已經命名過的基因進行重新審查和命名，以確保新的基因命名在描述基因功能方面更加的準確，但 HGNC ID 卻是固定不變的。


  4. 最後看 Gene Synonyms 的部分
    前面 HGNC 會對一些已經命名過的基因重新命名，而此時舊有的名稱就會被當作同義詞來使用。


剩下的資訊就比較好懂了，如基因位置，就不贅述的。好吧，其實沒比較好懂…不過至少知道它是只基因上的座標 XDDD

Variant Effect Predictor (VEP)

不過這次 Survey 的主要目標是關於 annotation 的步驟。在 Ensembl 中有提供一套注釋與分析工具 - Variant Effect Predictor（簡稱 VEP），它可以對測試結果產生的變異進行注釋，包括 SNPs、Indel 等，每個注釋用來預測可能受到影響的轉錄。此外所輸出的結果也可以根據資料庫內容與需求，對變異進行過濾與排序，並列出最具致病性的或是全部的效應。

VEP 注釋流程 VEP 注釋流程（圖片來源: GeneDock 文档）

此外，在找尋資料的過程中，發現關於 annotation tool 中有三套被反覆提及，分別是 Annovar、SnpEff 與 Ensembl 的 VEP，這三套都是做變異注釋的工具：


這邊接下來記錄一下 VEP 安裝方式。

Installation VEP

在 Ensembl 中有分 Web interface 與 Command line tool，兩種使用方式，小資料量用前者，大資料量用後者。

VEP 的資料輸入與輸出可以直接支援 VCF 格式，但輸入的 VCF 應提供 identifier（不提供也可以執行，就只是會跑掉而已）

In order to parse this correctly, VEP needs to convert such variants into Ensembl-type coordinates, and it does this by removing the additional base and adjusting the coordinates accordingly. This means that if an identifier is not supplied for a variant (in the 3rd column of the VCF), then the identifier constructed and the position reported in VEP’s output file will differ from the input.

init

1
2
3
4
$ apt-get update
$ apt-get upgrade
$ apt-get install git
$ apt-get install curl

Clone the Git repository

1
2
$ git clone https://github.com/Ensembl/ensembl-vep.git
$ cd ensembl-vep

Requirements

1
2
3
4
5
6
$ apt-get install build-essential ##(gcc,g++ and make)
$ apt-get install perl ## (>5.10 or above recommended (tested on 5.10, 5.14, 5.18, 5.22, 5.26))
$ cpan Archive::Zip
$ apt-get install libmysqlclient-dev
$ cpan DBD::mysql
$ cpan DBI

Installation

1
2
3
4
$ curl -0  https://api.github.com/repos/Ensembl/ensembl-vep 
$ cpan Archive::Extract
$ cpan Try::Tiny
$ perl INSTALL.pl

Run

1
$ ./vep -i examples/homo_sapiens_GRCh38.vcf --cache


執行完的後 VEP 會為它的 VCF 輸出在每個 row 後面加上 CSQ field。

關於事前 Survey 的目的

D大提出關於 VCF annotation 可以歸納出幾項是需要進一步了解的。

  1. 通常 VCF annotation 步驟的用意是什麼？
    annotation 主要是注釋 VCF，每個注釋用來預測可能受到影響的轉錄（transcription）。根據配置會列出最具致病性的或是全部的效應。

    VEP 會用於：

    1. 變異的位置、轉錄物的上游
    2. 受變異影響的基因與轉錄本
    3. 變異對於蛋白質序列與調控區域的影響
    4. 變異與 frequareucy data(?)


  2. 會使用到哪些工具與資料庫？
    在 VEP 中用到的資料庫有：GENCODE、dbSNP、Loop Genomics、ESP、ExAC、COSMIC、HGMD public、clinvar、PolyPhen、SIFT。

    其他用於注釋的工具有 Annovar、VEP、SnpEff 與 oncotator，其中 oncotator 主要是用於癌症特異性變異位點的注釋，而 SnpEff 主要是面向臨床和精準醫療的。

  3. 經過 annotation 步驟後, 檔案格式內容是什麼？
    input 可支援 VCF、 VCF Structural variants…等，不過要注意 unbalanced variant。

    output 則是可以選擇 VCF 或 json，VCF 輸出文件內容會保持不變，但會增加 CSQ field。

  4. 通常生技領域在做完 vcf annotation, 後續會如何應用? 是交給專業醫生去看? 還是有相關分析工具可以協助產生報告？
    報告部分跑完就會產生一份 HTML 檔 其中對於 vcf annotation 有完整的資料統計。

小結

這是過了一陣子才整理的資料，總比不上 Survey 立刻整理來的詳細，而且我記得我有跑數據，偏偏找不到數據了。不過沒魚蝦也好，好歹也是留個紀錄。

參考資料

  1. 協同撰寫。Ensembl。檢自 維基百科 (2019-08-28)。
  2. Lin Ting-Wei (2016-02-24)。Ensembl API（一）：簡介。檢自 我們的基因體時代 Our “Gene”ration (2019-08-28)。
  3. Sam (2019-01-16)。【3.2】 一级核酸数据库-Ensemble。檢自 sam’s note (2019-08-28)。
  4. 子非鱼 (2017-08-02)。NCBI, UCSC, Ensembl, Uniprot, 一次学完统统不要钱。檢自 解螺旋·临床医生科研成长平台 (2019-08-28)。
  5. 生信技能樹 (2018-10-25)。超精華生信ID總結，想踏入生信大門的你-值得擁有。檢自 台部落 (2019-08-28)。
  6. 我爱小徐子 (2018-09-08)。使用Ensembl数据库获取人类染色体图谱，并输出fasta。檢自 知乎 (2019-08-28)。
  7. Kai (2017-05-30)。NCBI/Ensembl ID的转换。檢自 生信笔记 (2019-08-28)。
  8. Ensembl ID / Ensembl Stable ID。檢自 Ensembl (2019-08-28)。
  9. Liu Xuanzhu (2017-10-16)。VEP–强大的变异注释工具。檢自 GeneDock 文档 (2019-08-28)。
  10. 生信杂谈 (2017-09-26)。突变注释工具SnpEff,Annovar,VEP,oncotator比较分析。檢自 簡書 (2019-08-28)。
  11. GCBI知識庫 (2019-04-14)。變異註釋軟件SnpEff, VEP, Annovar的比較 (上)。檢自 微文庫 (2019-08-28)。
  12. Annotation & Prediction。檢自 Ensembl (2019-08-28)。
  13. Ensembl Variant Effect Predictor (VEP)。檢自 Ensembl (2019-08-28)。
  14. Variant Effect Predictor - Data formats。檢自 Ensembl (2019-08-28)。
  15. Variant Effect Predictor - Tutorial。檢自 Ensembl (2019-08-28)。
  16. Variant Effect Predictor - Download and install。檢自 Ensembl (2019-08-28)。
  17. Variant Effect Predictor - Annotation sources。檢自 Ensembl (2019-08-28)。
  18. Variation File Format - Definition and supported options。檢自 EnsemblMetazoa (2019-08-28)。
  19. Annotating VCF Files。檢自 Jannovar documentation (2019-08-28)。