如何通过编程将GI号直接映射到HGNC基因名？

Question

我有一个~2000 GI号码的集合，我需要映射到HGNC (又名HUGO)基因名。

将来，作为数据分析管道的一部分，我将不得不重复进行类似的映射，所以我希望以编程的方式进行这种映射(而不是通过在一些交互工具的界面上切割和粘贴2KGI数字)。

此外，我不得不只使用自由软件。我最熟悉Python和Perl，尽管我可以使用R和Java，最后也可以使用其他任何东西(Ruby、MATLAB、Tcl等)。

(这个员额的其余部分对这个问题并不重要。在其中，我提供了额外的背景信息，FWIW。到最后，它变得越来越技术性；这些内容只对熟悉NCBI的eutils接口的人有意义。)

一种可能是从网页中为每个GI编号(示例)刮取HGNC id，但是这些页面使用JavaScript加载它们的内容，这使它们超出了我的web抓取能力。

即使我能够进行这样的web抓取，结果也肯定会比从适当的web服务API中获得的结果更低。

不幸的是，我没有找到任何“官方”服务，以编程方式将GI号码直接映射到HGNC/HUGO基因名。我最大的希望是NCBI的eutils接口，但我无法找到执行我所追求的直接映射的方法。(如果我错了，请纠正我！)

我能想到的最好是2跳映射:使用eutils (或者更确切地说，使用bioservices.eutils Python模块提供的eutils接口)将GI号映射到Entrez基因ID，然后使用HGNC中的综合表下载将这些Entrez基因ID映射到HGNC/HUGO基因名。

像往常一样，这种多跳映射的“损耗率”是相当糟糕的：~25%的GI数字被映射到某些HGNC/HUGO基因名。(我还没有估计这些映射中有多少实际上是正确的。)

我尝试使用Python的bioservices.eutils库来完成这个映射的第一步，但是这样只能获得大约四分之一的2KGI数字的Entrez基因I。更具体地说，这就是我所使用的，本质上：

from bioservices import EUtils

s = EUtils()
xml = s.ELink(db='gene', dbfrom='protein', Ids='395398606')

# ...now parse the returned xml to get the returned Entrez gene id(s)

对s.ELink的调用导致表单的HTTP请求：

http://eutils.ncbi.nlm.nih.gov/entrez/eutils/elink.fcgi?db=gene&dbfrom=protein&id=395398606&cmd=neighbor

如果有更好的eutils命令将GI号映射到Entrez基因ids，请告诉我。更好的是，如果有更好的eutils命令直接将GI号映射到HGNC/HUGO基因名，请告诉我。

Answer 1

您可能可以从UCSC基因组浏览器中获得所需的MySql表--可以使用您提到的大多数语言来查询这个表，但我的首选是python。

Answer 2

如果我能够通过网络抓取从NCBI获得所需的信息，那么您需要从这些页面中准确地获得什么信息。让我们从您给出的示例中说明您需要哪些细节。

如果在该页面中有您需要的内容，我可以用PHP编写一个代码来获取任何数量的GI ID所需的信息。