1.充满恶意的Excel自动转换
做基因组学分析时发现，在默认设置下将数据导入Microsoft Excel后，部分基因名会自动转换为日期或浮点1。2016年发表于Genome Biology上的一项研究显示，补充材料里包含Excel格式基因名的文献中，约有20%出现了这种错误的转换2。
The spreadsheet software Microsoft Excel, when used with default settings, is known to convert gene names to dates and floating-point numbers. A programmatic scan of leading genomics journals reveals that approximately one-fifth of papers with supplementary Excel gene lists contain erroneous gene name conversions.
举例来说，将下表中第一列的数据导入Excel后，将自动转换为第二列的内容：
| 源格式 | 导入Excel后的格式 |
|---|---|
| MARC1 | 1-Mar |
| MARCH1 | 1-Mar |
| DEC1 | 1-Dec |
| 231012E4 | 2.31E+09 |
| 123E1 | 1.23E+03 |
*请注意，基因MARC1和基因MARCH1均被转换成了1-Mar。
一旦导入Excel后，这种转换是不可逆的，也就是说无法通过将单元格格式设置为文本格式修复。
如果我们尝试修改单元格格式为文本，将出现下图第三列所示的内容：
| 源格式 | 导入Excel后的格式 | 导入后再将单元格设置为文本格式 |
|---|---|---|
| MARC1 | 1-Mar | 43525 |
| MARCH1 | 1-Mar | 43525 |
| DEC1 | 1-Dec | 43800 |
| 231012E4 | 2.31E+09 | 2.31E+09 |
| 123E1 | 1.23E+03 | 1.23E+03 |
看到43525，43800这种数字，是不是感觉很眼熟？我相信很多人的基因Excel表里都有他们的存在。那么这个数字是怎么来的呢？
Excel的日期默认是从1990/1/1开始的，也就是说1900/1/1转化为数字格式将是1。而笔者写本文的时间是2019年，所以MARC1基因转换为1-Mar，也就是2019/3/1，它的数字格式为2019/3/1减去1900/1/1，即43525。
这一问题困扰了非常多的的科研人员，在Biostar上相关问题的点击已经超过3.5K3。
2.如何避免这种转换？
最简单的方法，新建Excel表，单元格全选，更改为文本格式，然后再导入数据。但这种方式不利于数字计算。
此外，Eric A. Welsh开发了一个小工具escape_excel以阻止这种转换，其原理十分简单，就是在原始数据前后加上引号。这项工作还在2017年发表到了Plos One上4,5。(不得不说，想发表文章，idea非常重要)
该工具提供在线版本，Windows系统下的Excel插件，Perl脚本和Galaxy访问接口，教程请参见作者Github6。
3.已经转换的数据如何处理？
建议从测序原始数据中提取正确的基因名，毕竟测序公司输出的文件一般都不是Excel格式。
如果找不到原始数据，也没有NCBI_GENE_ID或其他数据库基因ID，我们还是能把转换成日期或数字的基因名尽量还原。
日期格式的基因名：
以1-Mar为例，由于Excel日期转换只针对3个或以上字母的匹配，所以它的原始基因名可能为MAR1或MARC1或MARCH1，检索得知不存在MAR1基因，所以范围缩小到MARC1基因或MARCH1基因。
数字格式的基因名：
以43525为例，先将单元格转化为日期格式2019/3/1，忽略年份得到1-Mar，后续步骤同上。
因此，43160转化后的结果也为1-Mar，这与转换发生时的年份有关，但不影响还原方式。
以上就是基因名被EXCEL自动转换的解决方案了。最后留一个小建议，在操作每一个文件前，请先留好备份，以免发生意外情况。
参考资料：
1. Zeeberg B R , Riss J , Kane D W , et al. Mistaken Identifiers: Gene name errors can be introduced inadvertently when using Excel in bioinformatics[J]. BMC Bioinformatics, 2004, 5(1):80-0.
2. Ziemann M , Eren Y , El-Osta A . Gene name errors are widespread in the scientific literature[J]. Genome Biology, 2016, 17(1):177.
3. Question: How to avoid conversion of gene symbols to date format in Excel
4. Welsh E A , Stewart P A , Kuenzi B M , et al. Escape Excel: A tool for preventing gene symbol and accession conversion errors[J]. PLOS ONE, 2017, 12(9):e0185207-.
5. Escape gene name-mangling with ‘Escape Excel’
6. escape_excel插件的github地址
