最近学员提问了一个有意思的数据集，他使用我们授课的示例代码发现跑降维聚类分群是没有问题，但是在后面的特异性基因的可视化的时候就全军覆没了。

我让学员发来一下对应的gse数据集，然后去下载这个这个文件，自己读取看了看；

counts <- data.table::fread('GSE190482_UMIsMatrix.txt.gz',data.table = F)
counts[1:4,1:4]

> counts[1:4,1:4]
 V1 AAACCCAAGGTCGAGT-1_KO_B0310 AAACGAAAGGACACTG-1_WT_B0302
1 ENSMUSG00000051951 0 0
2 ENSMUSG00000089699 0 0
3 ENSMUSG00000102331 0 0
4 ENSMUSG00000102343 0 0

发现是因为里面的基因名字问题， 目前人类基因的命名体系主要包括 Ensembl、Gene Symbol 和 RefSeq。这些体系都是用于标识和命名基因的，是可以互相转换的 ：

1. Ensembl： Ensembl 是一个综合性基因组数据库和基因注释系统，提供了基因组序列的注释信息，包括基因位置、结构、功能等。Ensembl 使用类似于 ENSG00000139618 的 ID 标识基因，其中 “ENSG” 表示 Ensembl Gene，后面的数字为特定基因的唯一标识符。Ensembl 还提供了其他类型的 ID，如转录本 ID（ENST）、蛋白质 ID（ENSP）等。
2. Gene Symbol： Gene Symbol 是一种更为常见的基因命名体系，使用了类似于 “TP53”（编码 p53 蛋白的基因）的简短字母数字组合来表示基因。Gene Symbol 是根据基因的功能、研究历史等因素确定的，易于记忆和使用。许多基因都有常用的 Gene Symbol，例如 “BRCA1”、”EGFR”、”MYC” 等。
3. RefSeq： RefSeq 是由美国国家生物技术信息中心（NCBI）维护的参考序列数据库，提供了一系列标准化的生物分子序列记录，包括基因、转录本、蛋白质等。RefSeq 基因通常使用类似于 “NM_000546.6” 的格式，其中 “NM” 表示 mRNA 的 RefSeq ID，后面的数字是该基因的特定版本，”.6” 表示修订版本。

既然是需要转换，所以我使用AnnoProbe包进行这个步骤，然后我测试了一下，转换的成功率还很高的：

> ids=annoGene(ensID,'ENSEMBL','mouse')
Warning message:
In annoGene(ensID, "ENSEMBL", "mouse") :
 0.27% of input IDs are fail to annotate... 
> head(ids)
 SYMBOL biotypes ENSEMBL chr start end
3 Xkr4 protein_coding ENSMUSG00000051951 chr1 3205901 3671498
8 Gm1992 antisense ENSMUSG00000089699 chr1 3466587 3513553
12 Gm19938 sense_intronic ENSMUSG00000102331 chr1 3647309 3658904
16 Gm37381 lincRNA ENSMUSG00000102343 chr1 3905739 3986215
17 Rp1 protein_coding ENSMUSG00000025900 chr1 3999557 4409241
20 Sox17 protein_coding ENSMUSG00000025902 chr1 4490931 4497354

最后的完整的代码如下所示：

counts <- data.table::fread('GSE190482_UMIsMatrix.txt.gz',data.table = F)
counts[1:4,1:4]
ensID = counts$V1
library(AnnoProbe) 
ids=annoGene(ensID,'ENSEMBL','mouse')
head(ids)
tail(sort(table(ids$biotypes)))
ids=ids[ids$biotypes=='protein_coding',]
ids=ids[!duplicated(ids$SYMBOL),]
ids=ids[!duplicated(ids$ENSEMBL),]
pos = match(ids$ENSEMBL,counts$V1)
counts=counts[pos,]
rownames(counts)=ids$SYMBOL
counts=counts[,-1]
sce.all <- CreateSeuratObject(counts = counts,
 # project = "Humanized vasculitis mice",
 min.cells = 3)
sce.all

有了这个seurat的对象，后面就是我们常规的！代码在：（链接: https://pan.baidu.com/s/1pKEnPmWXi-pTab0WZUWzgg?pwd=a7s1） 相信大家很容易跟着去复现一次！

值得一提的是这个GSE190482数据集关联的文章是Kaymak T, et al. Gut 2023;标题是 ：《IL-20 subfamily cytokines impair the oesophageal epithelial barrier by diminishing filaggrin in eosinophilic oesophagitis》，但是文章正文里面根本就没有出现过一个单细胞图表，仅仅是在附件出现了一个Supplemental Figure 4. 的子图：(J) Normalised expression levels of Il20rα and Il20rβ in annotated cell types from the scRNA-seq dataset.