Ensemblが返すNCBI Gene IDが一意じゃなかった件について

めったに起きることでも無いと思うが（結構起きる、コメント欄参照）、自分の開発しているパッケージscTensorがこけるパターンの一つとして、Gene NameとNCBI Gene ID（Entrez Gene ID）が一対一対応していない場合があった。

元を辿っていくと、内部で使っているbiomaRtが一つのNCBI Gene IDに対して、複数のGene Nameを返していた。

例えば、RLN1とRLN2は、NCBI側では、以下のように、6013、6019と別々のNCBI Gene IDが振られている。

• RLN1 : https://www.ncbi.nlm.nih.gov/gene/?term=6013
• RLN2 : https://www.ncbi.nlm.nih.gov/gene/?term=6019

しかし、biomaRtを使うと、

library("biomaRt")
ens <- useMart("ensembl", dataset="hsapiens_gene_ensembl",
    host="asia.ensembl.org")

getBM(attributes=c('external_gene_name', 'entrezgene'),
    filters = 'entrezgene',
    values = "6013",
    mart = ens)

#   external_gene_name entrezgene
# 1               RLN2       6013
# 2               RLN1       6013

getBM(attributes=c('external_gene_name', 'entrezgene'),
    filters = 'entrezgene',
    values = "6019",
    mart = ens)

#   external_gene_name entrezgene
# 1               RLN2       6019

となるように、biomaRt的には、6013はRLN1でもRLN2でもあるみたいである。

そして、6019もまたRLN2である。

念の為、本家のWebサイトで手作業でやってみたが、同じ結果になった。

もう少し調べていくと、Ensembl側ではENSG00000107018のページのExternal referencesにNCBIのRLN1のリンクが貼られているが、
https://asia.ensembl.org/Homo_sapiens/Gene/Matches?db=core;g=ENSG00000107018;r=9:5334930-5339876

ENSG00000107014のページには、NCBIのRLN1とRLN2の両方のリンクが貼られていた。
https://asia.ensembl.org/Homo_sapiens/Gene/Matches?db=core;g=ENSG00000107014;r=9:5299864-5304716

RLN1とRLN2はゲノム上では隣同士に位置しており、Human cDNAsのところで繋がっているものがあるため、fusionして発現する場合があるのかもしれない。
それがこのID変換のトラブルに何か関係がありそう。

https://asia.ensembl.org/Homo_sapiens/Location/View?db=core;g=ENSG00000107014;r=9:5293590-5343307

ぐぐると、RLN1-RLN2 fusion exonについての言及が幾つかあった。
https://www.researchgate.net/publication/283261263_Identification_of_a_novel_fusion_transcript_between_human_relaxin-1_RLN1_and_human_relaxin-2_RLN2_in_prostate_cancer/figures?lo=1&utm_source=google&utm_medium=organic
https://www.ncbi.nlm.nih.gov/pubmed/26499396