使用TCGA简易下载工具的同志们一直很好奇，RNA-Seq数据集中的ID是怎么转换的，今天就介绍一下原理

首先我们根据TCGA官网提供的RNA-Seq pipline（https://docs.gdc.cancer.gov/Data/Bioinformatics_Pipelines/Expression_mRNA_Pipeline/）里面可以看出TCGA使用的gtf是从gencode上面下载的，如图：

所以我们去GENCODE（http://www.gencodegenes.org/releases/22.html）上下载了对应的gtf文件，如图

下载完之后是一个标准的gtf格式的数据，我们进一步解析这个数据，写一个简单的统计小脚本统计一下里面的基因个数

f=open('gencode.v22.annotation.gtf')
line=f.readline()
_list=[]
n=0
while line:
    line=line.strip()
    if line.find('#')!=0:
        cols=line.split('\t')
        _list.append(cols[2])
        if cols[2]=='gene':
            #print cols
            n+=1
    line=f.readline()
f.close()
print(set(_list))
print n

可以看出里面的基因个数是60483，与TCGA里面下载的RNA-Seq中的ENSG编号个数一模一样

打开里面的文件可以看到有基因的描述文件如下：

其中包含：

1、gene_id=ENSG 也就是TCGA RNA-Seq中使用的ID

2、gene_type 也就是用来描述这个基因的属性，一般为编码基因，miRNA，lncRNA，假基因等，我们可以根据这个信息提取lncRNA的表达谱

3、gene_name 也就是大家常见的gene_symbol

使用以上信息就可以进行TCGA的ID转换了

至于lncRNA的定义可以参考这里：https://www.shengxin.ren/question/23

最终提取各个属性的ID对应关系的代码如：

f=open('gencode.v22.annotation.gtf')
line=f.readline()
_list=[]
fw=open('GeneTag.txt','w')
fw.write('ENSGID\tSYMBOL\tTYPE\tLoc\tGENESTATUS\tGENETYPE\n')
while line:
    line=line.strip()
    if line.find('#')!=0:
        cols=line.split('\t')
        _list=[]
        if cols[2]=='gene':
            _ids=cols[8].split(';')
            ensg=_ids[0][_ids[0].find('ENSG'):_ids[0].rfind('.')]
            gene_type=_ids[1][_ids[1].find('"')+1:_ids[1].rfind('"')]
            gene_status=_ids[2][_ids[2].find('"')+1:_ids[2].rfind('"')]
            gene_name=_ids[3][_ids[3].find('"')+1:_ids[3].rfind('"')]
            _list.append(ensg)
            if gene_status=='NOVEL':
                _list.append(ensg)
            else:
                _list.append(gene_name)
            if gene_type=='processed_pseudogene' or gene_type=='unprocessed_pseudogene' or gene_type=='pseudogene' or gene_type=='unitary_pseudogene' or gene_type=='polymorphic_pseudogene':
                _list.append('pseudogene')
            elif gene_type=='lincRNA' or gene_type=='sense_intronic' or gene_type=='sense_overlapping' or gene_type=='antisense' or gene_type=='processed_transcript' or gene_type=='3prime_overlapping_ncrna':
                _list.append('lncRNA')
            elif gene_type=='protein_coding':
                _list.append('protein_coding')
            else:
                _list.append('Other')
            _list.append(cols[0]+":"+cols[3]+"-"+cols[4]+cols[6])
            _list.append(gene_status)
            _list.append(gene_type)
            fw.write('\t'.join(_list)+'\n')
    line=f.readline()
f.close()
fw.close()

引用：转录本属性定义http://vega.archive.ensembl.org/info/about/gene_and_transcript_types.html