📚 课程目录第3章靶点标识与映射工程

3. 靶点标识与映射工程

在疾病靶点关联分析中，最容易被低估、却最容易导致结果不可复现的环节，不是统计模型，而是标识符（identifier）的标准化与跨库映射。同一个靶点，在文献里叫基因符号 TP53，在蛋白库里是 UniProt P04637，在基因组注释里是 Ensembl ENSG00000141510，在 NCBI 里是 Entrez Gene 7157。如果分析流程中这些 ID 混用、错配或版本不一致，后续的网络分析、富集分析和药物关联都会出现“看似有结果、实则对不上”的问题。

一、五类核心标识符的语义差异

理解映射工程的第一步，是明确每类 ID 的“指代对象”和“稳定性”。它们并非同一实体的不同写法，而是不同层次、不同数据库语境下的标识。

标识类型	典型示例	指代对象	主要来源	稳定性
基因符号 Gene Symbol	TP53	基因（命名）	HGNC	低，存在别名与历史名
Entrez Gene ID	7157	基因	NCBI Gene	高，整数稳定
Ensembl Gene ID	ENSG00000141510	基因（带版本）	Ensembl	高，版本号会更新
UniProt Accession	P04637	蛋白质	UniProt	高，可合并/降级
蛋白 ID（数据库内）	NP_000537.3	蛋白序列	RefSeq	中，随注释更新

关键点在于：基因 ID 与蛋白 ID 不是一一对应。一个基因可通过可变剪接产生多个蛋白异构体（isoform），对应多个 UniProt 条目或同一 UniProt 条目的不同 isoform。因此，映射时必须先确定分析粒度——是“基因层面”还是“蛋白层面”。

二、标准化流程：从原始列表到规范 ID

假设我们拿到一份疾病相关靶点列表，内容混杂：p53、TP53、P04637、ENSG00000141510、7157。标准化流程应包含以下关键动作：

大小写与空白规范化：基因符号统一为大写，去除首尾空格与不可见字符。
别名解析：将 p53、BCC7、LFS1 等别名映射到 HGNC 官方符号 TP53。
类型判定：根据 ID 形态判断其类型（纯数字→Entrez；ENSG 前缀→Ensembl；[OPQ][0-9] 模式→UniProt）。
跨库映射：以 UniProt 或 Ensembl 为枢纽，建立基因—蛋白—基因组坐标的对应关系。
版本锁定：记录 Ensembl 版本号与 UniProt 发布日期，保证可复现。

推荐以 UniProt Accession 作为蛋白层面的主键，以 Entrez Gene ID 或 Ensembl Gene ID 作为基因层面的主键。基因符号仅作为展示名，不作为连接键。

三、跨库映射的实际操作与结果判读

实际工程中，常用 UniProt 的 ID Mapping 服务或本地映射表完成转换。以 TP53 为例，一次典型的映射请求会返回：

输入: TP53 (Gene Name, Homo sapiens)
输出:
  UniProt:  P04637 (主条目, reviewed)
  Ensembl:  ENSG00000141510.18
  Entrez:   7157
  RefSeq:   NP_000537.3
  异构体:   P04637-1 ~ P04637-11

判读映射结果时，需要重点关注三类异常：

一对多：一个基因符号映射到多个 UniProt 条目（如不同物种或不同异构体），需按物种和 reviewed 状态过滤。
多对一：多个旧符号或别名指向同一规范 ID，属于正常合并，应保留映射来源以便追溯。
映射失败：符号已废弃或拼写错误，应回退到 HGNC 或 NCBI Gene 查询，而不是直接丢弃。

不要用基因符号直接做跨库连接键。符号会随命名委员会更新而变化，而 UniProt、Ensembl、Entrez 的稳定 ID 才是可靠的连接基础。

四、映射工程的数据结构与可复现性

为了让映射过程可审计，建议维护一张标准映射表，至少包含以下字段：

字段	说明	示例
input_id	原始输入标识	p53
input_type	输入类型	gene_symbol
hgnc_symbol	规范基因符号	TP53
entrez_id	Entrez Gene ID	7157
ensembl_gene	Ensembl 基因 ID（含版本）	ENSG00000141510.18
uniprot_acc	UniProt 主条目	P04637
mapping_source	映射来源	UniProt ID Mapping
mapping_date	映射日期	2025-01-15
status	映射状态	success / ambiguous / failed

这张表不仅是数据清洗的产物，也是后续关联分析、结果复现和版本对比的基础。当数据库更新时，只需重新运行映射并对比 status 与版本字段，即可定位变化点。

从工程角度看，映射不是一次性动作，而是需要随数据库版本持续维护的“活数据”。建议在流程中固定映射来源、记录映射日期，并对每次更新做差异比对。这样，当分析结果出现变化时，才能快速判断是数据本身变了，还是映射关系发生了漂移。

最后需要强调：标准化与映射的目标不是“把 ID 换成好看的格式”，而是建立一条从原始靶点列表到可计算、可追溯、可复现的规范标识链路。只有这条链路稳固，后续的关联分析、网络构建和药物靶点推断才有可靠的基础。