Ensembl のデータを中心として，ゲノムデータが公開されている新口動物を以下にまとめています (2016 年 4 月)．Ensembl ID と外部へのリンクはこちらにまとめました．

ある種の一般的な名前や分類を調べる際は，NCBI が提供している分類のサイト (こちら) を使うと便利です．いくつかの種が含まれる分類群名を調べる場合は，こちらです．

Orthology information
Ensembl の最も大きな特徴の一つとして，種間で遺伝子配列を比較する場合に，その遺伝子が orthologous な関係にあるのか，paralogous な関係にあるのかを，orthology information として提供している点です．例えば，Ensembl から得られた核遺伝子配列に基づいて種の系統樹を構築する場合，この情報を用いる必要があります．私は BioMart を使って orthology information を得ています．下にあるコラムを参照してください．

Ensembl では，orthology information を得るために，遺伝子ごとに系統樹を推定して，これを種の系統樹 (これまでの形態や分子などの情報から広く受け入れられている系統関係) と比較しています．比較する遺伝子が種の分岐に起源していれば orthologous，遺伝子重複によって分岐していれば paralogous としています．遺伝子の系統樹は，それぞれの遺伝子にコードされている最長のアミノ酸配列を系統解析して得ています．近縁種の場合は PAML も使っているようです．

注意：Ensembl は真核生物全体を含む遺伝子系統樹を推定して orthology 判定を行っているので，厳密な orthology 情報ではない点に注意してください．

リンク1，リンク2

Vilella, AJ, J Severin, A Ureta-Vidal, L Heng, R Durbin, E Birney. 2009. EnsemblCompara GeneTrees: Complete, duplication-aware phylogenetic trees in vertebrates. Genetical Research 19:327–335.

Gene tree
Ensembl にコンタクトして得た情報です．Orthology information を得るのに用いられた gene tree はこちらから得ることができます．この ftp サイトは FTP Download というページにある table の上からリンクが張られています．Multi-species data の table にある Comparative genomics の行にある EMF をクリックしてください．

Compara.65.protein_trees.nhx.emf.gz に NHX フォーマットの tree が保存されています．ただし tree は巨大なので，tree を見るには工夫が必要です．NHX フォーマットの tree は Notung で見ることができます．詳細は README ファイルを見てください [2011 年 12 月]．

cdna/Homo_sapiens.GRCh37.57.cdna.all.fa.gz

の DNA 配列を翻訳すると

pep/Homo_sapiens.GRCh37.57.pep.all.fa

にあるアミノ酸配列が得られます．系統解析を行う場合は，アミノ酸のアライメントをまず作成し，これに従って塩基配列をアライメントします．PAL2NAL を用いることで，塩基配列のアライメントが行えます．PAL2NAL は，開始コドンより前にある余分な塩基配列 (UTRs: Untranslated Regions) を削除して，塩基配列のアライメントを作成します．こちらをご覧下さい．

なお，Gene-Protein-Transcript ID はこちらを参照してください．


*最近は CDS (コーディング配列，UTR が取り除かれた DNA 配列) も配布されています (2016 年 4 月)．

Protein coding gene の数を調べる
Ensembl にメールで聞いた方法です．

こちらからそれぞれの種のページに行って，左にある Assembly and Genebuild page を選びます．

例えば Human の場合，こちらに遺伝子の数が書いてあります. Known protein-coding genes と Novel protein-coding genes の値を足した数字が，全タンパク質遺伝子の数です．

Chicken の場合はこちらです．Known protein-coding genes, Projected protein-coding genes, および Novel protein-coding genes の値を足すと，pep.fa ファイルにある ENSGALG のレコード数と一致しました．ただし，うまく数字が合わない種もありました．

実際は database にターミナルなどから入って調べる方法もあるみたいですが，私にはよくわかりませんでした．詳細はこちらを，と紹介されましたが，私はまだ試していません．

Hello Jun,

This is what I get when I query our database:

mysql -u anonymous -h ensembldb.ensembl.org -P 5306
Welcome to the MySQL monitor. Commands end with ; or \g.
Your MySQL connection id is 376882 to server version: 5.1.34-log

Type 'help;' or '\h' for help. Type '\c' to clear the buffer.

mysql> use homo_sapiens_core_63_37;
Reading table information for completion of table and column names
You can turn off this feature to get a quicker startup with -A

Database changed
mysql> SELECT COUNT(*) FROM gene WHERE biotype LIKE 'protein_coding';
+----------+
| COUNT(*) |
+----------+
| 21494 |
+----------+
1 row in set (0.11 sec)

This equals 20599 + 895, as mentioned on http://www.ensembl.org/Homo_sapiens/Info/StatsTable?db=core. So the numbers on this page look allright to me.

Hope this helps.

Ensembl Plants の ftp 接続
Ensembl vertebrates では問題になりませんが、Ensembl plants は、ブラウザから ftp 接続が難しいです (Mac の場合)。以下のように、個別の種のページから入れました。そうすると、rsync でダウンロードするアドレスがわかります (2021 年 7 月)。

recCollectFromGBK.tar.gz．
(2021/2/1)
NCBI の Human データから例題を作って解析しました．RefSeq データのダウンロードは「RefSeq からデータを集める」を参照してください．(2018 年 9 月)．

comparePEP2CDS_new.tar.gz (2024/3/3)

comparePEP2CDS.tar.gz (古いバージョン。遅いです。2021/2/1)．
Chicken E104 データ (28444 records, 16878 genes) を、最新版は 4 分、古いバージョンは 19 分かかりました。

gene ID (e.g., ENSG0000001) から最長のトランスクリプトームを抜き出します．その後，PEP と DNA レコード (cDNA あるいは CDS レコード) を pal2nal (v14) で比較し，一致しなければ翻訳PEP レコードを補正します．補正は 3 点を行います．

• U を * に変換．
• 配列最初が X (がいくつか) あるなら，これらを削除．
• あるいは末尾のアミノ酸残基を削除．

それでも補正されない場合は，050_out.txt に出るエラーメッセージに従って，一つ一つ検証してください．

Human のデータは 10 分ぐらいかかりますが，魚類などのデータでは数分で解析が終わります．Fasta file の name line は，geneID や protein ID が Ensembl のスタイルで書かれている必要があります．

解析が無事に終了すると，pal2nal の出力として，050_out.txt に以下のようなアウトプットが出ます．エラーメッセージが表示されません．

CLUSTAL W multiple sequence alignment

ENSP00000362111 ATGGCGTCCCCGTCTCGGAGACTGCAGACTAA
ENSP00000362122 ATGGCAAAGAATCCTCCAGAGAATTGTGAAGA
ENSP00000360640 GCCTCCTTGGAAGTCAGTCGTAGTCCTCGCAG

Fasta file の name line は，geneID や protein ID が Ensembl のスタイルで書かれている必要があります．

解析手順:

perl control.pl

アウトファイル:
000_OnlyLongestCDNAs_infile_cds.txt
000_OnlyLongestPeps_infile_pep.txt

[i2:zebraGTF]$ perl gtfGrep.pl ENSDARP00000053510
>ENSDARP00000053510_Exons0
ATGGAGAGCGCTCTGTCGGCCAGAGACCGGG.....
>ENSDARP00000053510_Exons1
ACATATATTGGGTCGGTGCTGGTGTCGGTGA.....
.....

zebraGTF.tar.gz [33.2MB]
以下 (FTP Download) から必要なファスタファイルをダウンロードしてください [2013 年 5 月]．

GTF ファイルから TSS 情報を取り出すスクリプトです。
selectTSS_from_EnsemglGTF.tar.gz
Ensembl が提供する GTF ファイルはこちらからダウンロードできます。
ftp://ftp.ensembl.org/pub/release-98/gtf/homo_sapiens/
(2020 年 1 月)

オーソログや曖昧な DNA 配列 (R や Y) については，こちらにまとめられています．

Ensembl と NCBI のデータベースは完全には共有されていない
Ensembl で公開されている配列が NCBI の Blast search で引っかかって来ないことがよくあります．Ensembl の担当者にきいたところ，以下のような返事が帰ってきました．

The Ensembl gene set is based on mRNA and protein sequences from NCBI RefSeq (only the known protein, NP, and known mRNAs, NM) along with UniProt and EMBL-Bank. For a more detailed description, see this page:

http://www.ensembl.org/info/docs/genebuild/genome_annotation.html

Thus, the Ensembl geneset contains some NCBI RefSeq records (those that can be aligned to the genome). However, not all RefSeq records. And RefSeq does not have all Ensembl transcripts.

Variation について
遺伝子によっては Variant がある場合があります．例えば，PSMB8 遺伝子は Human では 1 コピーしかなく 6 番染色体にコードされているはずですが，Location が HSCHR6 になっている Variation が示されます．こちらです．

これについてヘルプで救い問い合わせたところ，Biomart から Variation table を得る必要がある，という解答を得ました．

Ensembl Blog にも関連の記事がありました (2014 年 11 月)．

Depending on the number of genes you're looking at, you can identify the variants in a few different ways. If you're only looking at one or two, you may find it easier to search for the genes within the browser, then open the variation tables. Another way to access variants in genes may be through BioMart. This allows you to download tables of data. There's a video tutorial on using BioMart here. You will need the human variation database. For genes on different haplotypes, you will need to search by all the associated Ensembl IDs.

Alternatively, you can extract the data using our Perl API, particularly if you are looking at a large number of genes. Use these links to install the API, and find tutorials on its use:
http://www.ensembl.org/info/docs/api/api_installation.html
http://www.ensembl.org/info/docs/api/core/core_tutorial.html
http://www.ensembl.org/info/docs/api/variation/variation_tutorial.html

There is a list of the different haplotype names at the MHC region at:
http://www.ensembl.org/Help/Faq?id=291

pep all ファイルは転写産物の配列のみ
ダウンロードできる全タンパク質遺伝子の配列は，以下の二種類があります (homo_sapiens/ pep ディレクトリ)．
ftp://ftp.ensembl.org/pub/current_fasta/

Homo_sapiens.GRCh38.pep.all.fa
Homo_sapiens.GRCh38.pep.abinitio.fa

all.fa ファイルには，転写産物 (mRNA とタンパク質配列) から得られる配列のみが含まれているため，発現量がごく微量であったり発現されないタンパク質遺伝子の配列は含まれていません．一方 pep ab initio ファイルにはゲノム配列からタンパク質遺伝子の配列を推定しているようですが，README を読む限り，他の情報と照らし合わせて確認はしていないようです．フグ (ver76) で両者のレコード数を比較すると，pep all が 23118 とおよそ全タンパク質遺伝子数 20,000 であるのに対し，pep ab initio は 48390 となっているので未整理な情報がかなり含まれているようです．

標記の件に付いては，Ensembl に問い合わせて確認しました．

######　メール 1

See an example here:
ftp://ftp.ensembl.org/pub/release-75/fasta/homo_sapiens/pep/

a) pep all: resulting from Ensembl known or novel gene models which are based on transcriptome and proteome data
b) pep ab initio: resulting from 'ab initio' gene prediction algorithms solely based on the genomic sequence with no other experimental evidence.

More information on these files can be found in the README
ftp://ftp.ensembl.org/pub/release-75/fasta/homo_sapiens/pep/README

The same applies to cdna all versus cdna ab inition:
ftp://ftp.ensembl.org/pub/release-75/fasta/homo_sapiens/cdna/README

cdna.all.fa and pep.all.fa should not contain ab initio predictions.

Kind regards,

######　メール 2

The “pep all" file includes ONLY the peptide sequences derived from transcriptome (mRNAs) and proteome data.

It does NOT include sequences predicted from ab initio methods.

There must be proteins that cant be annotated to their low level of expression.

“pep all” might be a misnomer and we are aware of that. I will bring this to my colleagues and see if this name can be changed.
Regards,

######
(2014 年 8 月)

古い ID について
(以下のように書きましたが，あまり有効な手段ではありません．最近は古い配列をクエリとして最新のデータベースを Blast 検索しています．それ以外方法はないように思えます [2011 年 11 月]．)

古い ID から最新の ID を得る
BioMart を使います．
1. 古い ID が得られた version の BioMart から Entrez の ID を得ます．
例えば BioMart v36 に入ります．ポップアップタグを「Ensembl38」「Homo sapiens genes (NCBI36)」にします．
Next をおして，GENE -> ID list limit をチェックし，以下の例題をボックスにペーストして，ポップアップタグを Ensembl Peptide ID(s) にします (ID をリストアップしたファイルを選ぶやり方は，うまくいきませんでした)．Next を押します．

ENSP00000277994
ENSP00000252073
ENSP00000354686
ENSP00000354852

FILTER 画面になります．External Referece: から EntrezGene ID をチェックし，Select the output format: の Text, tab separated，File compression: の gzip (.gz) をチェックして export を押します．結果がテキストファイルとしてダウンロードされます．

2. これを最新の BioMart で新しい ID に変換します．
以下の EntrezGeneID が得られているはずです．

22834
63916
4288
6263

ヒトデータ指定した最新の BioMart を開きます．こちらです．Filter -> GENE から ID list limit をチェックします．ボックスに上記の EntrezGeneID をペースとしてポップアップタグを EntrezGene ID(s) にします．Attributes -> EXTERNAL: -> External References から EntrezGene ID を選びます．
あとはいつも通り，Count を押して ID 数を確認し，Results を押して，Unique results only をチェックし，Go を押すことで，結果をテキストファイルとしてダウンロードできます．


History を調べる
ID の変更履歴を調べることができます．ただし，通常の作業ではあまり必要ないと思います．
こちらから名前のかわった ID (新旧) について調べることができます．
Manage your data というタブをこちらから押してください．
その後，ID History Converter を押します．

ただこの方法だと，一度に 30 件までしか調べられないようです．
それと，実際に website で一つずつ調べた結果に比べて，得られる結果の精度と使いやすさが落ちるようです．

種ごとのデータベースから最長のトランスクリプトだけを集める
こちらから全タンパク質コーディング遺伝子をダウンロードする場合，まずアミノ酸配列のファイル (pep.all.fa.pin) を処理することになります．pep.all.fa.pin ファイルでは (対応する cDNA データベースも同じですが)，一つの遺伝子について複数のトランスクリプトが書かれていることが多いです．このような場合に，一つの遺伝子から一つの配列だけを選ぶために，最長のトランスクリプトを抜き出すスクリプトを作りました．以下のようなスクリーンアウトが出て，アウトファイルが作成されます．

[inouejun:longPepPicker_fol]$ perl longPepPicker.pl DB.pep.faFile name: DB.pep.fa
number of records: 11
number of ensg ids: 4
number of ensp ids: 11
number of enst ids: 11

ちなみに，Human の .pep.fa ファイル (Ensembl v61) は，10 分ほどかかりました．

File name: Homo_sapiens.GRCh37.61.pep.all.fa
number of records: 86934
number of ensg ids: 21818
number of ensp ids: 86934
number of enst ids: 86934

longPepPicker_fol.tar.gz [2014 年 1 月　改訂]．

ID をたよりに pep ファイルからレコードを集める
ENSP number はわかるけれど，対応する ENT number がわからない場合，もう一度 pep ファイルからオリジナルの name line (ENSP と ENST number の両方が書いてある)のレコードを集め直します．そうすると，上記のスクリプトで，ENSP レコードに対応した ENST レコードを集めることができます．
例えば，
ID ファイル．

ENSP00000374981
ENSCINP00000001850
ENSDARP00000101617

ensIDseqRet_fol.tar.gz

Ensembl Tutorials and Worked Examples

Ensembl ミニコース

Ensembl in Singapore

2014 年 1 月の段階で，Hinxton (本家) のデータより最新のゾウギンザメとフグのデータが公開されていました．