Python 如何通过编程将GI编号直接映射到HGNC基因名称？

我有一个大约2000个GI编号的集合，需要映射到HGNC（又名HUGO）基因名

将来，作为数据分析管道的一部分，我将不得不重复执行类似的映射，因此我希望以编程方式执行此映射（而不是在某个交互式工具的界面上剪切和粘贴2K GI编号）

此外，我只能使用自由软件。我最熟悉Python和Perl，尽管我可以使用R和Java，作为最后的手段，也可以使用其他任何东西（Ruby、MATLAB、Tcl等）

---

（这篇文章的其余部分对这个问题不是必要的。我在文章中提供了额外的背景信息，FWIW。文章的结尾越来越具有技术性；这篇文章的内容只有那些熟悉NCBI的

eutils

接口的人才有意义。）

一种可能是从网页中为每个GI编号（）刮取HGNC id，但这些网页使用JavaScript加载内容，这超出了我的网页刮取能力

即使我可以执行这样的web抓取，结果的质量也必然低于从适当的web服务API获得的结果

不幸的是，我还没有找到任何“官方”服务可以通过编程将GI编号直接映射到HGNC/HUGO基因名称。我对此的最大希望是NCBI的

eutils

接口，但我无法找到一种方法来执行我所追求的直接映射。（如果我错了，请纠正我！）

我能想到的最好的方法是两跳映射：使用

eutils

（或者更确切地说，是

bioservices.eutils

Python模块提供的

eutils

接口）将GI编号映射到Entrez基因ID，然后使用HGNC的综合表将这些Entrez基因ID映射到HGNC/HUGO基因名称

像往常一样，这种多跳映射的“损耗率”非常糟糕：所有GI编号中约25%被映射到某个HGNC/HUGO基因名。（我还没有估计这些映射中有多少是正确的。）

我尝试使用Python的

bioservices.eutils

库进行第一步的映射，但通过这种方式，只能够获得2K GI编号中约四分之一的Entrez基因ID。更具体地说，这就是我使用的，本质上：

from bioservices import EUtils

s = EUtils()
xml = s.ELink(db='gene', dbfrom='protein', Ids='395398606')

# ...now parse the returned xml to get the returned Entrez gene id(s)

对

s.ELink

的调用将导致以下形式的HTTP请求：

http://eutils.ncbi.nlm.nih.gov/entrez/eutils/elink.fcgi?db=gene&dbfrom=protein&id=395398606&cmd=neighbor

---

如果有更好的

eutils

命令将GI编号映射到Entrez基因ID，请告诉我。更好的是，如果有更好的

eutils

命令将GI编号直接映射到HGNC/HUGO基因名，请让我知道。

您可以从MySql表中获得所需信息-可以使用您提到的大多数语言进行查询，但我更喜欢python。

如果我能够通过web抓取从NCBI获得所需信息，那么您需要从这些页面中获得哪些信息。让我们说一下，您需要从您提供的信息中获得哪些详细信息

如果该页面中有您需要的内容，我可以用PHP编写一段代码，以获取任意数量的GI ID所需的信息