从Counts到FPKM：利用biomaRt实现基因表达量计算与ID转换实战

1. 理解基因表达量计算的基础概念

当你拿到RNA-seq测序数据时，通常会得到两种类型的表达矩阵：原始计数（raw counts）和标准化后的表达量（如FPKM）。原始计数直接反映了比对到每个基因上的reads数，但它存在两个明显的局限性：一是没有考虑基因长度的影响，二是没有考虑测序深度（即样本间测序量的差异）。这就好比比较两个图书馆的藏书量，如果不考虑每本书的厚度和图书馆的总藏书规模，直接比较两馆的"书的本数"是没有意义的。

FPKM（Fragments Per Kilobase per Million）就是为了解决这些问题而设计的标准化指标。它的计算公式可以拆解为三个部分：

• F（Fragments）：比对到基因上的片段数
• K（Kilobase）：基因长度以千碱基为单位标准化
• M（Million）：测序总量以百万为单位标准化

在实际应用中，我们常常会遇到只有raw counts数据的情况。这时就需要自己动手计算FPKM值。我刚开始接触这个转换过程时，常常被各种标准化方法搞得晕头转向，直到理解了它们背后的生物学意义才豁然开朗。比如，为什么要用基因长度做标准化？因为较长的基因在随机打断过程中会产生更多片段，如果不做长度校正就会高估其表达量。

2. 准备R环境和必要数据

2.1 安装和加载biomaRt包

biomaRt是连接Ensembl数据库的桥梁，它允许我们直接通过R获取基因注释信息。安装过程很简单：

r复制if (!require("BiocManager", quietly = TRUE))
    install.packages("BiocManager")
BiocManager::install("biomaRt")
library(biomaRt)

我第一次使用时遇到个坑：有时候默认的Ensembl服务器可能连接不稳定。这时可以指定镜像：

r复制ensembl <- useMart("ensembl", host = "https://asia.ensembl.org")

2.2 导入原始counts数据

假设我们有一个CSV格式的counts矩阵，行是基因ID，列是样本：

r复制counts_data <- read.csv("GSE169758_counts.csv", header=TRUE, row.names=1)
head(counts_data)

检查数据质量很重要。我通常会先看看数据的基本统计：

r复制summary(colSums(counts_data))  # 检查各样本的总reads数
summary(rowSums(counts_data))  # 检查各基因的总表达量

如果发现某些样本的总reads数异常低，可能需要考虑是否纳入分析。同样，表达量极低的基因（比如在所有样本中counts都<10）也可以考虑过滤掉，以减少噪音。

3. 获取基因长度信息

3.1 连接Ensembl数据库

选择正确的数据集很关键。对于人类数据：

r复制ensembl <- useDataset("hsapiens_gene_ensembl", mart=ensembl)

如果是小鼠数据，则使用：

r复制ensembl <- useDataset("mmusculus_gene_ensembl", mart=ensembl)

3.2 提取基因特征信息

我们需要获取每个基因的转录本长度信息。这里有个技巧：一个基因可能有多个转录本，通常选择最长的转录本作为代表：

r复制gene_info <- getBM(
    attributes = c('ensembl_gene_id', 'start_position', 
                  'end_position', 'ensembl_transcript_id',
                  'transcript_length'),
    mart = ensembl)

3.3 处理基因长度数据

对获取的数据进行排序和去重：

r复制# 按基因ID和转录本长度降序排列
gene_info <- gene_info[order(gene_info$ensembl_gene_id, 
                            -gene_info$transcript_length),]

# 保留每个基因最长的转录本
gene_lengths <- gene_info[!duplicated(gene_info$ensembl_gene_id), 
                         c("ensembl_gene_id", "transcript_length")]
colnames(gene_lengths) <- c("gene_id", "length")

4. 计算FPKM值

4.1 数据匹配与过滤

首先确保counts矩阵中的基因都能在gene_lengths中找到对应：

r复制common_genes <- intersect(rownames(counts_data), gene_lengths$gene_id)
counts_filtered <- counts_data[common_genes, ]
lengths_filtered <- gene_lengths[match(common_genes, gene_lengths$gene_id), "length"]

4.2 计算文库大小

文库大小（library size）即每个样本的总reads数：

r复制lib_sizes <- colSums(counts_filtered)

4.3 FPKM计算公式实现

FPKM的计算公式为：
[ \text{FPKM} = \frac{\text{reads count} \times 10^9}{\text{gene length} \times \text{library size}} ]

R实现代码：

r复制fpkm_matrix <- apply(counts_filtered, 2, function(x) {
    (x * 1e9) / (lengths_filtered * sum(x))
})

4.4 结果检查与保存

检查计算结果：

r复制head(fpkm_matrix[,1:3])
summary(fpkm_matrix)

保存结果：

r复制write.csv(fpkm_matrix, "fpkm_results.csv", quote=FALSE)

5. 基因ID转换为gene symbol

5.1 准备注释信息

使用org.Hs.eg.db包（小鼠则用org.Mm.eg.db）：

r复制BiocManager::install("org.Hs.eg.db")
library(org.Hs.eg.db)

5.2 获取ID映射关系

r复制ensembl_to_symbol <- toTable(org.Hs.egSYMBOL)
ensembl_to_entrez <- toTable(org.Hs.egENSEMBL)

5.3 合并注释信息

r复制# 准备待注释的数据
fpkm_df <- as.data.frame(fpkm_matrix)
fpkm_df$ensembl_id <- rownames(fpkm_df)

# 分步合并
annotated <- merge(fpkm_df, ensembl_to_entrez, by="ensembl_id", all.x=TRUE)
annotated <- merge(annotated, ensembl_to_symbol, by="gene_id", all.x=TRUE)

# 整理最终结果
annotated <- annotated[!duplicated(annotated$ensembl_id), ]
rownames(annotated) <- annotated$ensembl_id
annotated <- annotated[rownames(fpkm_df), ]  # 保持原始顺序

5.4 处理重复和缺失的gene symbol

有时候多个Ensembl ID会对应同一个gene symbol，或者某些ID没有对应的symbol。我的处理经验是：

r复制# 去除完全重复的行
annotated <- annotated[!duplicated(annotated$ensembl_id), ]

# 处理没有symbol的基因
annotated$symbol[is.na(annotated$symbol)] <- annotated$ensembl_id[is.na(annotated$symbol)]

6. 完整代码示例

以下是将所有步骤整合在一起的完整代码：

r复制# 加载包
library(biomaRt)
library(org.Hs.eg.db)

# 1. 导入counts数据
counts_data <- read.csv("GSE169758_counts.csv", header=TRUE, row.names=1)

# 2. 获取基因长度
ensembl <- useMart("ensembl")
ensembl <- useDataset("hsapiens_gene_ensembl", mart=ensembl)
gene_info <- getBM(
    attributes = c('ensembl_gene_id', 'transcript_length'),
    filters = 'ensembl_gene_id',
    values = rownames(counts_data),
    mart = ensembl)

# 取最长转录本
gene_lengths <- aggregate(transcript_length ~ ensembl_gene_id, 
                         data=gene_info, max)

# 3. 计算FPKM
common_genes <- intersect(rownames(counts_data), gene_lengths$ensembl_gene_id)
counts_filtered <- counts_data[common_genes, ]
lengths_filtered <- gene_lengths[match(common_genes, gene_lengths$ensembl_gene_id), "transcript_length"]

fpkm_matrix <- apply(counts_filtered, 2, function(x) {
    (x * 1e9) / (lengths_filtered * sum(x))
})

# 4. 基因注释
fpkm_df <- as.data.frame(fpkm_matrix)
fpkm_df$ensembl_id <- rownames(fpkm_df)

ensembl_to_symbol <- toTable(org.Hs.egSYMBOL)
ensembl_to_entrez <- toTable(org.Hs.egENSEMBL)

annotated <- merge(fpkm_df, ensembl_to_entrez, by.x="ensembl_id", 
                  by.y="ensembl_id", all.x=TRUE)
annotated <- merge(annotated, ensembl_to_symbol, by="gene_id", all.x=TRUE)

# 5. 保存结果
write.csv(annotated, "annotated_fpkm_results.csv", row.names=FALSE)

7. 常见问题与解决方案

在实际操作中，我遇到过不少问题，这里分享几个典型的：

问题1：biomaRt连接失败

• 解决方案：尝试更换镜像站点或检查网络连接
• 备用方案：使用archive.ensembl.org的历史版本

问题2：基因ID不匹配

• 可能原因：使用的Ensembl版本与原始数据不一致
• 解决方案：统一使用相同版本的注释信息

问题3：FPKM计算结果异常

• 检查点：确认基因长度单位是碱基对（bp）
• 检查点：确认counts矩阵没有经过其他标准化处理

问题4：部分基因没有symbol注释

• 处理方法：保留Ensembl ID作为fallback
• 进阶方案：尝试其他注释源如NCBI或UniProt

8. 进阶技巧与优化建议

经过多次实践，我总结出一些提升效率的技巧：

1. 批量处理多个数据集：可以编写函数将整个过程封装起来，方便处理多个项目

2. 并行计算加速：对于大型数据集，可以使用parallel包加速FPKM计算

r复制library(parallel)
cl <- makeCluster(4)  # 使用4个核心
fpkm_matrix <- parApply(cl, counts_filtered, 2, function(x) {
    (x * 1e9) / (lengths_filtered * sum(x))
})
stopCluster(cl)

3. 结果可视化检查：在关键步骤后绘制检查图，比如基因长度分布、FPKM值分布等

r复制hist(log10(lengths_filtered), main="Gene length distribution")
boxplot(log2(fpkm_matrix+1), main="FPKM distribution across samples")

4. 使用最新注释：定期更新biomaRt连接或本地注释包，确保使用最新的基因注释信息

5. 结果验证：将计算结果与已知结果（如GEO中的FPKM矩阵）进行对比验证

记得第一次成功完成整个流程时，那种成就感让我印象深刻。虽然过程中会遇到各种问题，但每次解决问题的过程都是宝贵的学习经验。希望这篇指南能帮助你顺利实现从counts到FPKM的转换！