Gene ID, transcript ID ve protein ID aynı şey değildir

Gene ID neyi temsil eder?

Gene-level identifier, database’in belirli bir gene/locus’a atadığı kimliktir.

NCBI Gene, kayıtları stable numeric GeneID ile organize eder. Örneğin insan BRCA1 geni için Gene ID 672 kullanılır.

Ensembl’de insan gene stable identifier’ları ENSG... biçimindedir.

Örneğin BRCA1 için:

ENSG00000012048

gene-level identifier’dır. UCSC’nin güncel gene-track dokümantasyonu da aynı BRCA1 örneğini Ensembl/GENCODE gene accession mantığını açıklamak için kullanır.

Bu seviyedeki identifier genellikle şu soruya cevap verir:

“Hangi gene ait kayıttan söz ediyoruz?”

Ama henüz:

“Hangi transcript?”

sorusunu cevaplamaz.

Transcript ID neyi temsil eder?

Transcript identifier belirli bir RNA transcript modelini veya sequence kaydını tanımlar.

Ensembl transcript stable ID’leri insan için ENST... ile başlar.

NCBI RefSeq tarafında curated protein-coding RNA kayıtlarında sıklıkla NM_..., non-coding RNA kayıtlarında NR_...; computationally predicted modellerde ise XM_... veya XR_... accession’larıyla karşılaşırsınız.

Transcript seviyesi gene göre daha spesifiktir.

Çünkü aynı gene bağlı transcriptler:

• farklı transcription start veya end noktalarına,
• farklı exon kombinasyonlarına,
• farklı splice junction’lara,
• farklı UTR’lara,
• farklı coding sequence’lere

sahip olabilir.

Ensembl annotation modeli aynı gene bağlı transcriptlerin splice olayları, exon yapıları ve başlangıç/bitiş noktaları bakımından farklılaşabildiğini açık biçimde belirtir.

Bu nedenle:

Gene ID = transcript ID

değildir.

Protein ID neyi temsil eder?

Protein identifier ise protein ürünü seviyesidir.

Ensembl protein stable ID’leri ENSP... sınıfındadır.

NCBI RefSeq curated protein accession’larında ise NP_...; predicted protein modellerinde XP_... prefix’leri görülebilir.

Burada önemli bir nokta vardır:

Her transcript protein oluşturmaz.

Örneğin non-coding RNA transcriptleri protein ürünü vermeyebilir.

Aynı şekilde farklı transcriptlerin coding sequence’leri aynıysa transcript yapıları farklı olsa bile aynı veya eşdeğer protein ürünlerine ulaşılabilir.

Bu nedenle gerçekte zihinsel model:

gene → transcript → protein

şemasından biraz daha zengindir.

Aynı gene ait gerçek bir zincir

UCSC’nin güncel gene FAQ’sı BRCA1’i bu ilişkiyi açıklamak için örnek olarak kullanır.

BRCA1:

NCBI Gene ID: 672

düzeyinde bir gene kaydıdır.

Bu gene bağlı RefSeq transcriptlerden biri:

NM_007294.3

ve bu transcriptin protein ürünü:

NP_009225.1

olarak gösterilir.

Buradaki üç ifade aynı şey değildir:

672 → gene
NM_007294.3 → transcript
NP_009225.1 → protein

Hepsi BRCA1 biyolojisiyle ilişkilidir, fakat farklı veri nesneleridir.

Bu ayrım analiz sırasında kritik hale gelir.

ID dönüşümü neden yalnız “format conversion” değildir?

Diyelim ki elinizde 500 adet Ensembl gene ID var.

Bir tool transcript identifier bekliyor.

Her gene için yalnızca bir transcript olmadığından:

500 gene → 500 transcript

şeklinde zorunlu bir dönüşüm yoktur.

Bir gene birden fazla transcript eşleşebilir.

Benzer şekilde bir transcript–protein eşleşmesi de kullandığınız annotation ve transcript tipine bağlı olabilir.

Bu nedenle ID conversion sırasında şu soruyu sormalısınız:

“Birden çoğa eşleşmelerle ne yapacağım?”

Bunu görmezden gelirseniz:

• bazı kayıtları kaybedebilir,
• bir gene rastgele transcript atayabilir,
• enrichment girdisini değiştirebilir,
• sequence retrieval sırasında yanlış isoform alabilir,
• variant annotation sonucunu farklı transcript üzerinden okuyabilirsiniz.

ID mapping bu nedenle biyolojik karar içerir.

Version suffix neden önemli olabilir?

Identifier’ın sonundaki .1, .2, .3 gibi bölüm dekorasyon değildir.

Ensembl’in güncel stable-ID dokümantasyonunda version artışlarının feature türüne göre anlamı tanımlanmıştır.

Örneğin transcript version’ı:

• splice pattern,
• chromosome location,
• cDNA sequence

değiştiğinde artabilir.

Protein version’ı peptide sequence değiştiğinde artar. Gene version’ı ise gene bağlı transcript setinde değişiklik olduğunda artırılabilir.

RefSeq transcript accession’larında da version suffix sequence kaydının versiyonunu ayırır; UCSC özellikle yayınlarda accession’ın version’ıyla birlikte belirtilmesini önerir çünkü farklı transcript versiyonlarının sequence ve dolayısıyla koordinatları değişebilir.

Bu nedenle:

NM_007294

ve

NM_007294.3

her bağlamda aynı hassasiyette bir referans değildir.

Species bilgisini de kaybetmeyin

Gene symbol’ları tek başına güvenli identifier değildir.

Aynı veya benzer symbol farklı organizmalarda bulunabilir; symbol’lar zaman içinde de değişebilir.

NCBI bu nedenle GeneID kullanımını stable gene identifier olarak önerir. Ensembl stable-ID yapısı da species/feature tipini identifier sistemine dahil eder.

Dolayısıyla bir mapping tablosunda yalnız:

BRCA1

yazması yerine mümkünse şu bağlamı koruyun:

• species,
• source database,
• identifier type,
• version gerekiyorsa version.

Bu ne anlama geliyor?

Bir ID ile karşılaştığınızda üç kontrol yapın.

1. Namespace:
Bu ID hangi sistemden geliyor?

2. Biological level:
Gene mi, transcript mi, protein mi?

3. Context:
Hangi species, assembly ve annotation/version bağlamında?

Bundan sonra conversion yapın.

Tersi sırada ilerlemek:

“ID’yi önce çevireyim, sonra ne olduğunu anlarım.”

yaklaşımı özellikle birden çoğa eşleşmelerde sorun yaratabilir.