我们的基因体时代-AI, Data和生物资讯 Day26-取用基因序列资讯

上一篇[我们的基因体时代-AI, Data和生物资讯 Day25- 再深一点：AnnotationHub，从注释到序列]https://ithelp.ithome.com.tw/articles/10271911/)持续往下分享怎麽用Bioconductor系统的library来调用基因相关的资料，来做近一步的分析使用。

取用基因序列资讯：TwoBit

library(AnnotationHub)
ah <- AnnotationHub()

上一篇我们从AnnotationHub的使用，可以调用世界知名机构所产出的资料如美国国家生物资讯中心、博德研究中心、英国生物资讯中心等等，我们也在上一篇中看到其中所含的各式各样资料类型：

这边我们主要来分享一下TwoBit这个档案格式，之前有介绍过传统的基因序列资讯会使用fasta这种格式来储存，但为了档案大小和资料分析方便，而有了压缩过的基因序列格式，即为twobit，否则动辄好几Gb的档案，很容易造成资料传输和下载的时候一些问题，这个格式也是由UCSC Genome Broswer里面所提出的。

我们使用昨天教学的方式来下载一个twobit的档案，看如何使用

来看一下呼叫这个档案，他会显示什麽：

> ahs.GRCh38.cdna.all
TwoBitFile object
resource: /Users/weitinglin66air/Library/Caches/AnnotationHub/fa9efe25aaa_56452 
>

他会明显地显示这是一个TwoBit档案物件，其实际上是储存在这部电脑的哪个资料夹之中。

> class(ahs.GRCh38.cdna.all)
[1] "TwoBitFile"
attr(,"package")
[1] "rtracklayer"
> seqinfo(ahs.GRCh38.cdna.all)
Seqinfo object with 175372 sequences from an unspecified genome:
  seqnames        seqlengths isCircular genome
  ENST00000415118          8       <NA>   <NA>
  ENST00000448914         13       <NA>   <NA>
  ENST00000631435         12       <NA>   <NA>
  ENST00000434970          9       <NA>   <NA>
  ENST00000632684         12       <NA>   <NA>
  ...                    ...        ...    ...
  ENST00000627692        927       <NA>   <NA>
  ENST00000631343       1490       <NA>   <NA>
  ENST00000633652        508       <NA>   <NA>
  ENST00000634119       1226       <NA>   <NA>
  ENST00000631874        147       <NA>   <NA>

接者，我们可以看一下怎麽来manipulation这个物件，因为这个是一个S4系统的物件，所以行为会跟传统R系统的物件不同，开发者可以定义很多不同的使用模式，所以可以先用class函数看一下这个物件是以什麽函数包为主，再去看那个包的介绍。这边发现他是一个由rtracklayer包所定义的物件，rtracklayer包即为UCSC Genome Browser团队开发用来跟他们track系统所做的一层应用层。

这边我们直接使用rtracklayer包中的import函数来将twobit物件转换成序列资讯，这边也可以用GRanges来指定想要import的序列，这样也比较不会占用Ram空间。