這一次毁习，我們來聊聊基因組注釋。首先問自己一個(gè)問題咖摹，為什么要進(jìn)行基因注釋。
就我目前而言难述，它用來解決如下問題：
- 在mapping-by-sequencing的時(shí)候萤晴，我找到了一些可能的突變位點(diǎn)，我需要知道這些突變分別是那些基因發(fā)生突變龄广，這些突變基因有哪些功能硫眯？
- 差異表達(dá)分析之后會得到許多的基因蕴侧，這些基因有什么樣的特征择同？如果要進(jìn)行基因富集分析，不可避免就需要知道他們的GO,KEGG等注釋信息净宵。
如果一個(gè)基因沒有注釋信息敲才，那么他就只是一段DNA序列，只是一個(gè)符號择葡。你可能會很開心紧武，因?yàn)槟阊芯康墓δ懿]有被大多數(shù)人所發(fā)現(xiàn)，說不定這就是一篇CNS級別的文章敏储；你或許會悲傷阻星，因?yàn)闆]有注釋，意味著你的工作從全新的工作，也就是說你的工作量會很大妥箕。但是不管如何滥酥，你看到一個(gè)基因后，都會本能的想知道它到底有哪些功能畦幢，如同你看到一個(gè)漂亮妹子的照片坎吻，你也可能想去知道更多有關(guān)于她的信息。
對于一個(gè)或幾個(gè)基因而言宇葱，NCBI瘦真，EBI,TAIR等網(wǎng)站夠用了，但是對于高通量數(shù)據(jù)分析的結(jié)果黍瞧，你還要一個(gè)一個(gè)查的話诸尽，那就是有點(diǎn)費(fèi)勁了。（尷尬的是雷逆，我第一次尋找突變位點(diǎn)就是靠我手工注釋結(jié)果）弦讽。
因此，本文就是介紹如何在R語言中對高通量分析結(jié)果中基因信息進(jìn)行注釋膀哲。
找到注釋信息
目前存在大量的注釋信息的數(shù)據(jù)庫往产，我們需要一個(gè)方便的搜索工具，用于找到我們所需要的信息某宪。Biconductor建立在R語言上的一個(gè)開源項(xiàng)目仿村，旨在未高通量數(shù)據(jù)分析提供可靠的工具。項(xiàng)目的一個(gè)重要部分就是組織網(wǎng)絡(luò)上大量的注釋信息兴喂，方便科研人員使用蔼囊。
目前最新的工具包叫做AnnotationHub，顧名思義衣迷，就是注釋信息的中裝站畏鼓。通過它，能找到了幾乎所有的注釋資源壶谒。如果沒有云矫，你還可以根據(jù)已有的數(shù)據(jù)用它提供的函數(shù)進(jìn)行構(gòu)建。
安裝方式很簡單(首先你得裝了R）：
## try http:// if https:// URLs are not supported
source("https://bioconductor.org/biocLite.R")
biocLite("AnnotationHub")</pre>
使用AnnotationHub汗菜，我們需要創(chuàng)建AnnotationHub對象（加載AnnotationHub這一步就不多說了).
library(AnnotationHub)
ah <- AnnotationHub()
ah
AnnotationHub with 39213 records
# snapshotDate(): 2017-04-25
# $dataprovider: BroadInstitute, Ensembl, UCSC, Haemcode, Inparanoid8, Pazar, Gencode, ftp://ftp.ncbi.nlm...
# $species: Homo sapiens, Mus musculus, Bos taurus, Pan troglodytes, Danio rerio, Rattus norvegicus, Dros...
# $rdataclass: GRanges, BigWigFile, FaFile, TwoBitFile, ChainFile, Rle, Inparanoid8Db, EnsDb, TxDb, data....
# additional mcols(): taxonomyid, genome, description, coordinate_1_based, maintainer,
# rdatadateadded, preparerclass, tags, rdatapath, sourceurl, sourcetype
# retrieve records with, e.g., 'object[["AH2"]]'
title
AH2 | Ailuropoda_melanoleuca.ailMel1.69.dna.toplevel.fa
AH3 | Ailuropoda_melanoleuca.ailMel1.69.dna_rm.toplevel.fa
AH4 | Ailuropoda_melanoleuca.ailMel1.69.dna_sm.toplevel.fa
AH5 | Ailuropoda_melanoleuca.ailMel1.69.ncrna.fa
AH6 | Ailuropoda_melanoleuca.ailMel1.69.pep.all.fa
... ...
AH54627 | Xiphophorus_maculatus.Xipmac4.4.2.cdna.all.2bit
AH54628 | Xiphophorus_maculatus.Xipmac4.4.2.dna.toplevel.2bit
AH54629 | Xiphophorus_maculatus.Xipmac4.4.2.dna_rm.toplevel.2bit
AH54630 | Xiphophorus_maculatus.Xipmac4.4.2.dna_sm.toplevel.2bit
AH54631 | Xiphophorus_maculatus.Xipmac4.4.2.ncrna.2bit
上述結(jié)果告訴了我們以下信息：
- 它的數(shù)據(jù)庫版本是2017-4-25让禀，目前有39213條記錄
- 你可以用ah$dataprovider的方式查看數(shù)據(jù)來源，還可以看有哪些物種和數(shù)據(jù)類型可以用陨界。
- 你可以用mcols看更多的元信息巡揍。
- 獲取數(shù)據(jù)的方式是
object[["AH2"]]
根據(jù)這些知識點(diǎn)，我們就可以問第一個(gè)問題：
AnnotationHub的數(shù)據(jù)來源有哪些菌瘪？
unique(ah$dataprovider)
[1] "Ensembl" "UCSC"
[3] "RefNet" "Inparanoid8"
[5] "NHLBI" "ChEA"
[7] "Pazar" "NIH Pathway Interaction Database"
[9] "Haemcode" "BroadInstitute"
[11] "PRIDE" "Gencode"
[13] "dbSNP" "CRIBI"
[15] "Genoscope" "MISO, VAST-TOOLS, UCSC"
[17] "ftp://ftp.ncbi.nlm.nih.gov/gene/DATA/"
第二個(gè)問題：
AnnotationHub目前支持哪些物種腮敌？我想找的物種在這里面么？
unique(ah$species)
由于結(jié)果有391個(gè)，不方便查詢糜工。但是可以通過篩選斗这，找找目標(biāo)物種是否存在。
ah$species[which(ah$species == "Arabidopsis thaliana")]
[1] "Arabidopsis thaliana" "Arabidopsis thaliana" "Arabidopsis thaliana" "Arabidopsis thaliana"
[5] "Arabidopsis thaliana"
通過它提供的query函數(shù)啤斗，去搜索ah對象表箭，就能判斷目標(biāo)物種是否被AnnotationHub收錄。
query(x, pattern, ignore.case=TRUE, pattern.op=
&)
Return an AnnotationHub subset containing only those elements whose metadata matches pattern. Matching uses pattern as in grepl to search the as.character representation of each column, performing a logical&across columns. e.g., query(x, c("Homo sapiens", "hg19", "GTF"))
比如說我想查找擬南芥相關(guān)的注釋數(shù)據(jù)庫钮莲，就可以去query去查找在metadata里面想關(guān)信息免钻。
grs <- query(ah, "Arabidopsis thaliana")
grs
...
title
AH10456 | hom.Arabidopsis_thaliana.inp8.sqlite
AH52245 | TxDb.Athaliana.BioMart.plantsmart22.sqlite
AH52246 | TxDb.Athaliana.BioMart.plantsmart25.sqlite
AH52247 | TxDb.Athaliana.BioMart.plantsmart28.sqlite
AH53758 | org.At.tair.db.sqlite
當(dāng)然我們還可以用R本身的篩選功能
> ah[ah$species == 'Arabidopsis thaliana' & ah$rdataclass == 'OrgDb']
> subset(ah, species == 'Arabidopsis thaliana' & rdataclass == 'OrgDb')
搜索到的記錄就只有如下幾個(gè)了。
AnnotationHub with 1 record
# snapshotDate(): 2017-04-25
# names(): AH53758
# $dataprovider: ftp://ftp.ncbi.nlm.nih.gov/gene/DATA/
# $species: Arabidopsis thaliana
# $rdataclass: OrgDb
# $rdatadateadded: 2017-04-10
# $title: org.At.tair.db.sqlite
# $description: NCBI gene ID based annotations about Arabidopsis thaliana
# $taxonomyid: 3702
# $genome: NCBI genomes
# $sourcetype: NCBI/ensembl
# $sourceurl: ftp://ftp.ncbi.nlm.nih.gov/gene/DATA/, ftp://ftp.ensembl.org/pub/current...
# $sourcesize: NA
# $tags: c("NCBI", "Gene", "Annotation")
# retrieve record with 'object[["AH53758"]]'
如果我們酷愛圖形界面（GUI）崔拥，類似于網(wǎng)頁搜索那樣的操作极舔，可以使用的是display函數(shù)了。
display(ah)
第三個(gè)問題：
AnnotationHub的注釋信息的數(shù)據(jù)存放格式是什么链瓦？
unique(ah$rdataclass)
[1] "FaFile" "GRanges" "data.frame" "Inparanoid8Db" "TwoBitFile"
[6] "ChainFile" "SQLiteConnection" "biopax" "BigWigFile" "AAStringSet"
[11] "MSnSet" "mzRpwiz" "mzRident" "VcfFile" "list"
[16] "TxDb" "Rle" "EnsDb" "OrgDb"
比如說fasta文件是FaFile, 轉(zhuǎn)錄組數(shù)據(jù)庫是TxDb, 提供內(nèi)含子拆魏、外顯子、UTR區(qū)的信息慈俯。有物種數(shù)據(jù)庫渤刃，OrgDb,用于基因ID，基因名,GO,KEGG ID之間的相互映射贴膘。
第四個(gè)問題：
我們?nèi)绾稳ハ螺d所需信息
第二個(gè)問題后卖子，你會得到一個(gè)ID，比如說擬南芥的OrgDb的注釋數(shù)據(jù)庫的ID就是"AH53758"刑峡，然后根據(jù)這個(gè)ID可以進(jìn)行下載洋闽。當(dāng)然下載方式已經(jīng)出現(xiàn)過了，
retrieve record with 'object[["AH53758"]]'
ath <- ah[['AH53758']]
bioconductor除了AnnotationHub能用來查找生物數(shù)據(jù)突梦，還有一個(gè)庫叫做biomaRt诫舅，可以用來查找biomart中的數(shù)據(jù)。不過目前biomart網(wǎng)站正在進(jìn)行服務(wù)器的數(shù)據(jù)遷移宫患，就不在這里演示刊懈。
小結(jié)：
- AnnotationHub是生物數(shù)據(jù)的中轉(zhuǎn)站，方面我們搜索目標(biāo)數(shù)據(jù)撮奏，另一個(gè)相似包是
biomaRt; - 我們通過query,subset等方法（圖形界面則是display）俏讹，逐步從AnnotationHub的metadata篩選到所需數(shù)據(jù)的ID;
- 使用
[]是查看目標(biāo)數(shù)據(jù)的metadata, 使用[[]]用于下載數(shù)據(jù);
探索注釋數(shù)據(jù)庫
找到和下載注釋數(shù)據(jù)庫只是第一步当宴，學(xué)會如何使用這些數(shù)據(jù)庫更加重要畜吊。
AnnotationHub對象的通用方法
之前下載完數(shù)據(jù)后，在R里面被我指向到了'ath'户矢，那么我們先簡單了解一下這個(gè)'ath'
直接輸入對象名ath玲献，顯示的就是元數(shù)據(jù)信息，太長不放。
用str了解一下它的數(shù)據(jù)結(jié)構(gòu).好吧捌年，我承認(rèn)我自己看不出名堂瓢娜。只知道他是AnnotationDbi的OrgDb類。
> str(ath)
Reference class 'OrgDb' [package "AnnotationDbi"] with 2 fields
$ conn :Formal class 'SQLiteConnection' [package "RSQLite"] with 6 slots
.. ..@ ptr :<externalptr>
.. ..@ dbname : chr "D:\\xuzho\\Documents\\AppData\\.AnnotationHub\\60496"
.. ..@ loadable.extensions: logi TRUE
.. ..@ flags : int 1
.. ..@ vfs : chr ""
.. ..@ ref :<environment: 0x000000002195a428>
$ packageName: chr(0)
and 14 methods.
用mode看下它的數(shù)據(jù)模式(Get or set the type or storage mode of an object.)礼预，發(fā)現(xiàn)它是一個(gè)S4類眠砾。所有bioconductor的包都是S4類，然而什么是S4類呢托酸？
mode(ath)
[1] "S4"
用class看下它具體繼承什么類（面向?qū)ο缶幊痰母拍睿?/p>
class(ath)
[1] "OrgDb"
attr(,"package")
[1] "AnnotationDbi"
好了褒颈，我們繼續(xù)調(diào)查什么是"AnnotationDbi",了解到他主要5個(gè)函數(shù)。
columns(x)： 顯示當(dāng)前對象有哪些數(shù)據(jù)
keytypes(x)： 有哪些keytypes可以用作select或keys的keytypes參數(shù)
keys(x, keytype, ...)：返回當(dāng)前數(shù)據(jù)對象的keys
select(x, keys, columns, keytype, ...)：基于keys, columns和keytype以data.frame數(shù)據(jù)類型返回?cái)?shù)據(jù)励堡，可以是一對多的關(guān)系
mapIds(x, keys, column, keytype, ..., multiVals)： 類似于select谷丸，只不過就返回一個(gè)列。
返回這個(gè)數(shù)據(jù)包都有哪些列:
> columns(ath)
[1] "ARACYC" "ARACYCENZYME" "ENTREZID" "ENZYME" "EVIDENCE" "EVIDENCEALL" "GENENAME"
[8] "GO" "GOALL" "ONTOLOGY" "ONTOLOGYALL" "PATH" "PMID" "REFSEQ"
[15] "SYMBOL" "TAIR"
返回這個(gè)數(shù)據(jù)包可以當(dāng)做關(guān)鍵字(key)進(jìn)行查找的列:
> keytypes(ath)
[1] "ARACYC" "ARACYCENZYME" "ENTREZID" "ENZYME" "EVIDENCE" "EVIDENCEALL" "GENENAME"
[8] "GO" "GOALL" "ONTOLOGY" "ONTOLOGYALL" "PATH" "PMID" "REFSEQ"
[15] "SYMBOL" "TAIR"
基本上keytypes返回的結(jié)果是等于或者少于columns返回的結(jié)果应结。因?yàn)椴⒉皇撬辛卸寄墚?dāng)做查找對象刨疼。
keytypes告訴我們可以當(dāng)做哪些列是keytype類型，那么keys則列出這個(gè)keytype下有哪些關(guān)鍵字鹅龄。
head(keys(ath,keytype = "SYMBOL"))
select則是根據(jù)你提供的key值去查找注釋數(shù)據(jù)庫揩慕，返回你需要的columns信息。
> select(ath, keys= "AGO1", columns=c("TAIR","GO"),keytype = "SYMBOL")
'select()' returned 1:many mapping between keys and columns
SYMBOL TAIR GO EVIDENCE ONTOLOGY
1 AGO1 AT1G48410 GO:0004521 IDA MF
2 AGO1 AT1G48410 GO:0005515 IPI MF
3 AGO1 AT1G48410 GO:0005634 IDA CC
4 AGO1 AT1G48410 GO:0005737 IDA CC
5 AGO1 AT1G48410 GO:0005737 ISM CC
6 AGO1 AT1G48410 GO:0005737 TAS CC
7 AGO1 AT1G48410 GO:0005829 IDA CC
8 AGO1 AT1G48410 GO:0006306 RCA BP
9 AGO1 AT1G48410 GO:0006342 RCA BP
10 AGO1 AT1G48410 GO:0006346 RCA BP
...
比如說一個(gè)AGO1就能返回那么多信息.因?yàn)橐粋€(gè)基因可以有多個(gè)功能（GO注釋）扮休，當(dāng)然一個(gè)GO注釋下也有可以多個(gè)基因漩绵。
> select(ath, keys= "GO:0004521", columns=c("TAIR"),keytype = "GO")
'select()' returned 1:many mapping between keys and columns
GO EVIDENCE ONTOLOGY TAIR
1 GO:0004521 ISS MF AT1G14210
2 GO:0004521 ISS MF AT1G14220
3 GO:0004521 ISS MF AT1G26820
4 GO:0004521 IDA MF AT1G30460
5 GO:0004521 IDA MF AT1G48410
6 GO:0004521 ISS MF AT2G02990
7 GO:0004521 IDA MF AT2G04270
8 GO:0004521 IMP MF AT2G17520
9 GO:0004521 IDA MF AT2G39780
10 GO:0004521 ISS MF AT2G39780
11 GO:0004521 IDA MF AT2G40410
12 GO:0004521 ISS MF AT3G04480
13 GO:0004521 ISS MF AT3G20390
14 GO:0004521 IDA MF AT5G24360
15 GO:0004521 IDA MF AT5G41190
富集分析就是看不同GO，KEGG注釋下肛炮，你提供的基因集的分布情況止吐。比如說我隨機(jī)從擬南芥中抽樣200個(gè)基因，然后觀察這些基因的富集情況侨糟。
注：這里用的Y叔的clusterProfiler包
library("clusterProfiler")
tair.sample <- sample(keys(ath,keytype = "ENTREZID"), 100)
library("clusterProfiler")
test <- enrichGO(gene = tair.sample,
OrgDb = ath,
keytype = "ENTREZID",
pAdjustMethod = "none",
pvalueCutoff = 0.1,
qvalueCutoff = 0.2)
summary(test)
由于隨機(jī)取樣碍扔，很有可能找不到任何富集，可也是有有可能的秕重。
mapIds功能和select類似不同，只不過他返回的是一組向量，而不是數(shù)據(jù)庫溶耘。
mapIds(ath, keys = tair.sample, column = c("TAIR"), keytype = "ENTREZID")
這部分的小結(jié)就是記住5個(gè)函數(shù)：
- columns
- keytypes
- keys
- select
- mapIds
TxDb對象的專門方法
因?yàn)門xDb注釋對象包含轉(zhuǎn)錄組數(shù)據(jù)二拐，所以有一些特殊方法。以擬南芥的TxDb為例凳兵。
txdb <- ah[['AH52247']]txdb
第一類方法：根據(jù)轉(zhuǎn)錄本類型提取內(nèi)容百新，transcrpits(), exons(), cds(), genes() and promoters()
transcripts(txdb)
cds(txdb)
genes(txdb)
exons(txdb)
第二類方法： 根據(jù)某一類特征轉(zhuǎn)錄組進(jìn)行分類，如transcriptsBy(), exonsBy(), cdsBy(), intronsByTranscript(), fiveUTRsByTranscript() and threeUTRsByTranscript().
transcriptsBy(txdb, by="gene")
exonsBy(txdb, by="gene")
第三類方法：染色體相關(guān)函數(shù)： seqinfo(), seqlevels(), seqlevelsStyle(), isActivateSeq()
# 染色體命名
seqinfo(txdb)
# 染色體水平
seqlevels(txdb)
# 染色體命名方法
seqlevelsStyle(txdb)
# 決定處理那些染色體
isActiveSeq(txdb)
BSgenome對象專門函數(shù)
BSgenome存放的是基因組序列數(shù)據(jù)庐扫，無法被AnnotationHub找到（但是共享通用函數(shù)）,所以需要加載BSgenome對象進(jìn)行搜索饭望。
librara(BSgenome)
bs <- available.genomes()
但是擬南芥的參考基因組好像一直沒有更新仗哨，我表示很尷尬。
require(stringr)
str_subset(bs, "TAIR")
#[1] "BSgenome.Athaliana.TAIR.04232008" #"BSgenome.Athaliana.TAIR.TAIR9"
然后我覺得TAIR10是2012年左右發(fā)布的铅辞，所以肯定有人提問了厌漂。于是我熟練的打開搜索引擎去找相關(guān)信息，于是我發(fā)現(xiàn)了如下內(nèi)容
TAIR9 and TAIR10 correspond to the same genome assembly so there is no need for a BSgenome pkg for TAIR10 :-)
TAIR9的染色體命名是ChX, 也就是NCBI的風(fēng)格斟珊，注意這一點(diǎn)苇倡。
于是問題就這樣輕松解決了，下載TAIR9就行了囤踩。
標(biāo)記： 我需要下載TAIR9和TAIR10雏节，比較一下，有結(jié)果放到這里高职。
BiocInstaller::biocLite("BSgenome.Athaliana.TAIR.TAIR9")
函數(shù)有以下幾種
# 知由來
sourceUrl(Athaliana)
# 看的不是基因組大小
length(Athaliana)
# 序列的命名
seqnames(Athaliana)
# 各序列長度
seqlengths(Athaliana)
# 提取第一條染色體
ch1 <- Athaliana[['1']]
根據(jù)GenmoicRanges信息提取序列
對GenomicRanges進(jìn)行注釋
我們可以使用variantAnnotation包中的locateVariants()或predictCoding()對GenmoicRanges數(shù)據(jù)進(jìn)行注釋钩乍。
- locateVariants主要是判斷GenomicRanges在基因組哪里，所以只需要TxDb數(shù)據(jù)庫就行了
- predictCodings要根據(jù)突變位點(diǎn)和位置判斷位點(diǎn)是無義突變還是同義突變怔锌，氨基酸又是如何變化寥粹。所以還需要BSgenome數(shù)據(jù)庫. 同時(shí)如果提供的是GenomicRanges, 你還需要額外提供突變后的堿基信息，DNAStringSet格式埃元。
step1: 加載數(shù)據(jù)庫
library(TxDb.Hsapiens.UCSC.hg19.knownGene)
txdb <- TxDb.Hsapiens.UCSC.hg19.knownGene
step2: （可選）讀取VCF文件
fl <- system.file("extdata", "gl_chr1.vcf",
package="VariantAnnotation")
vcf <- readVcf(fl, "hg19")
step3 : 提供GenmoicRanges涝涤， 或直接用vcf進(jìn)行找到位點(diǎn)所在基因組位置
region <- IntergenicVariants(upstream=70000, downstream=70000)
loc_int <- locateVariants(vcf, txdb, region)
# 或者用genomicRanges
gr <- rowRanges(vcf)
loc_int <- locateVariants(gr, txdb, region)
mcols(loc_int)[c("LOCATION", "PRECEDEID", "FOLLOWID")]
step4: （可選）： 預(yù)測堿基突變的影響
library(BSgenome.Hsapiens.UCSC.hg19)
coding <- predictCoding(vcf, txdb, seqSource=Hsapiens)
如果提供的是GenomicRange,那么你還得需要一個(gè)varAllele
varallele <- unlist(mcols(vcf)$ALT)
coding <- predictCoding(gr, txdb, seqSource=Hsapiens,
varAllele=varallele)
PS: VariantAnnotation包還提供了一些列函數(shù)，如readVcf()岛杀，header(), info(), geno(), rowRanges() 用于從加載VCF文件阔拳，然后提供特定的數(shù)據(jù)。類似bcftools
練習(xí)：尋找AGO1类嗤，然后對其進(jìn)行GO注釋糊肠，KEGG注釋等
首先加載擬南芥的物種數(shù)據(jù)庫， 因?yàn)榇娣帕薌ENENAME等信息遗锣。
tair.org <- ah[['AH53758']]
然后提GENENAME和GENEID
columns(tair.org)
keytypes(tair.org)
genename <- select(tair.org, keys=keys(tair.org,keytype = "TAIR"), columns=c("TAIR","GENENAME"), keytype="TAIR")
然后通過模式匹配货裹，找到含有AGO1的那一行。但是由于不是每個(gè)基因都有基因俗名精偿，NA在模式匹配的時(shí)候會返回NA弧圆，而不是FALSE，所以需要先處理掉NA笔咽。要么是替換成空字符串搔预，要么直接刪除改行。
genename <- na.omit(genename)
篩選AGO1：
require(stringr)
ago1 <- genename[str_detect(genename$GENENAME, "AGO1"),]
通過肉眼檢查叶组，發(fā)現(xiàn)“AT1G48410“是要找到拯田，和直接在TAIR搜索一致。
對該基因進(jìn)行GO和KEGG注釋
ago1 <- select(tair.org, keys="AT1G48410", columns = c("TAIR","PATH"), keytype = "TAIR" )
dim(ago1)
[1] 61 5
發(fā)現(xiàn)GO注釋挺多扶叉，但是KEGG沒有注釋勿锅。想想也是吧，畢竟AGO1是參加miRNA加工的枣氧，不算是代謝通路的溢十。
不過為了折騰，我覺得找到有KEGG注釋的基因达吞，然后去TAIR上看下张弛。
kegg <- select(tair.org, keys = keys(tair.org,"PATH"), columns=c("TAIR","PATH"), keytype = "PATH")
也是一種一對多的關(guān)系，同一條PATH中必然涉及到多個(gè)基因酪劫，我隨便找到了一個(gè)基因<font size="+1">AT1G07420</font>在TAIR搜索吞鸭。
最終發(fā)現(xiàn)一個(gè)頁面能搜到path，一個(gè)頁面不能搜索到path覆糟。但是都沒有KEGG的說明刻剥，我很好奇。
順便放一下自己的知識星球滩字，如果你覺得我對你有幫助的話造虏。
