——Biomart下載基因和motif位置信息

科研過程中我們經常會使用Ensembl（http://asia.ensembl.org/index.html） 網站來獲取物種的參考基因組，其中BioMart工具可以獲取物種的基因注釋信息，以及跨資料庫的ID匹配和注釋等。

在參考基因組和基因注釋文件一文中有詳細介紹如何在Ensembel資料庫中獲取參考基因組和基因注釋文件。（點擊藍字即可閱讀）

生信分析中，想要找到感興趣基因的轉錄因子結合位點，該怎麼做呢？

1. 文件準備

首先需要準備以下3個文件，後面兩個文件可以在ensembl網站中下載：

1. 感興趣基因的名稱列表（1列基因名即可）
2. 基因組中各基因位置信息列表（6列的bed文件）
3. 基因組中各轉錄因子結合位點信息列表（5列的bed文件）

2. 什麼是bed文件？

bed格式文件提供了一種靈活的方式來定義數據行，以此描述基因注釋的信息。BED行有3個必須的列和9個可選的列。 每行的數據格式要求一致。

關於bed文件格式的介紹，在https://genome.ucsc.edu/FAQ/FAQformat.html#format1中有詳細說明。

我們需要下載的基因位置信息列表是一個6列的bed文件，每列信息如下：

註：起始位置和終止位置以0為起點，前閉後開。

轉錄因子結合位點列表是一個5列的bed文件，每列信息如下：

具體內容見後面示例，更方便理解。

3. BioMart數據下載

1. 進入Ensembl主頁後點擊BioMart

2. 使用下拉框-CHOOSE DATASET- 選擇資料庫，我們選則Ensembl Genes 93；這時出現新的下拉框-CHOOSE DATASET- ，選擇目的物種，以Human gene GRCh38.p12為例。如果自己實際操作，需要選擇自己的數據常用的基因組版本。如果沒有歷史包袱，建議選擇GRCh38最新版。

3. 選擇資料庫後，點擊Filters對數據進行篩選，如果是對全基因組進行分析可不用篩選, 略過不填。

4. 點擊Attributes，在GENE處依次選擇1-6列的內容，勾選順序便是結果矩陣中每列的順序。

5. 如上圖中所示，點擊results後跳轉下載頁面，中間展示了部分所選的數據矩陣，確定格式無誤後點擊GO即可下載。

6. 轉錄因子結合位點矩陣的下載類似上面，不過在下拉框-CHOOSE DATASET- 選擇資料庫時，我們選則Ensembl Regulation 93，再選擇Human Binding Motif (GRCh38.p12)

7. 在Attributes處選擇需要的信息列，點擊Results和GO進行數據下載

將上述下載的兩個文件分別命名為 GRCh38.gene.bed和 GRCh38.TFmotif_binding.bed ，在Shell中查看一下：

基因組中每個基因所在的染色體、位置和鏈的信息，以及對應的ENSG編號和Gene symbol。

Chromosome/scaffold name Gene start (bp) Gene end (bp) Gene stable ID Gene3 124792319 124792562 ENSG00000276626 RF00100 -11 92700819 92700934 ENSG00000201317 RNU4-59P -114 100951856 100951933 ENSG00000200823 SNORD114-2 122 45200954 45201019 ENSG00000221598 MIR1249 -11 161699506 161699607 ENSG00000199595 RF00019 1

第五列為人中的轉錄因子，每一行表示每個轉錄因子在基因組範圍的結合位點分布，即其可能在哪些區域有結合motif。這些區域是與TF的結合motif矩陣相似性比較高的區域，被視為潛在結合位點。有程序MEME-FIMO或Homer-Findmotifs.pl可以完成對應的工作。

Chromosome/scaffold name Start (bp) End (bp) Score Feature Type14 23034888 23034896 7.391 THAP13 10026599 10026607 7.054 THAP110 97879355 97879363 6.962 THAP13 51385016 51385024 7.382 THAP116 20900537 20900545 6.962 THAP1