學習材料：【生信技能樹】公共數據庫挖掘實例（基于R語言） bilibili版本以及后續更新課程中的github材料為基礎。

本章節是以：【生信技能樹】公共數據庫挖掘實例（基于R語言）為基礎，進行的代碼復現與注釋，章節標注以之為準。

【生信技能樹】公共數據庫挖掘實例（基于R語言）_嗶哩嗶哩_bilibili今天小編給大家帶來的是由我們jimmy大大親自錄制的公共數據庫挖掘實例~紙上得來終覺淺，絕知此事要躬行，一起跟著大大來實踐吧~https://www.bilibili.com/video/BV1Lt411S786?p=2其他資料：
【生信技能樹】GEO數據庫挖掘_嗶哩嗶哩_bilibilihttps://www.bilibili.com/video/BV1is411H7Hq?p=1

數據分析github源代碼https://github.com/jmzeng1314/GEOhttps://github.com/jmzeng1314/GEO主要是survival文件夾中的代碼。

一、緒論

現代處理數據思路：通過篩選進行尋找上調/下調的基因集。

【ps 以功能相關的基因集合為單位，而不是以單個基因通路為單位。因此此處的基因集就是與該類功能相關的所有基因的集合】

【ps 例如，化療處理前后獲得上下調的基因組合，即是一個基因集，因此可以作為一個功能/應激的改變，即應對什么的一個基因功能集合】

eg： Msigdb ，常用的GO/KEGG都是該基因集，并且包含免疫等等基因集。

【根據p值或者變化程度進行篩選，利用t檢驗等來篩選出變化最大的基因集-差異分析？基因識別？所以合適數量的基因集是很有意義的】

通過p或閾值的差異獲取表達矩陣的差異基因，然后構建差異富集分析，同時利用GO/KEGG等進行功能注釋。

在獲取差異基因時，除了使用p直接比較，也可以使用其他統計學方法，例如生存分析等分析出有差異的部分。

二、GEO庫

2.1、GEO處理的基本思路

????????1、選擇GSE:基于GSE號

????????2、表達矩陣：下載表達矩陣

????????3、差異分析得到基因集 - limma包就可以用 - 多個差異分析的方法可以使用

5大數據庫的注釋-對? 差異基因進行注釋 - misgdb/GO/KEGG

構建PPI網絡或其他

GEO主要包含4種類型的數據：平臺（Platform,GPL）、樣本（Sample,GSM）、系列（Series，GSE）、數據集(Datasets,GDS)，以及表達譜。

四種編號GPL，GDS，GSE和GSM可以獲得完整的平臺，數據集，系列以及樣本的信息.

其中：

原始數據：GPL(Platform),GSM(Sample),GSE(Series)

數據集：GDS(DataSets), 表達譜(Profiles).

GPL:平臺，主要是探針列表。

GSM:

每個GSM數據都是會有相應的平臺信息-經哪個技術獲取該信息。

2.2、GEO數據接口:

直接修改GEO數據后面的數字編號即可直接定位到該文章中的GSM數據庫。可以搜索GSM在文中獲取響應信息。

2.3、GEO數據下載與安裝（R語言）

??????? 2.3.1??????? R包：GEOquery安裝

# 安裝GEOquery包 if (!requireNamespace("BiocManager", quietly = TRUE))install.packages("BiocManager")BiocManager::install("GEOquery")library(GEOquery)

這里遇到一個問題，安裝了部分的包后，仍無法library(GEOquery)包。

方法1：update部分包 some

方法2：翻墻試一下（trying）。

解決方案：error可能會提示調用的包版本有問題，需要重新在package欄中重新刪除舊的version，并安裝新的version。部分包可以通過install.package("*")或者手動操作直接完成，也會有部分新的version需要biocManager::install("*")語句重新安裝包。（具體見上）

??????? 2.3.2????????數據下載

【方法1】利用R包GEOquery中的語句getGEO完成

if(!file.exists(f)){gset <- getGEO('GSE42872', destdir=".",AnnotGPL = F, ## 注釋文件getGPL = F) ## 平臺文件save(gset,file=f) ## 保存到本地 } load('GSE42872_eSet.Rdata') ## 載入數據

AnnotGPL和getGPL是兩個注釋文件，如果不想要其對應的是soft文件。

此時下載的就是表達矩陣，如果無法下載就是被墻了，需要想辦法翻才行。

需注意此時在工作目錄下會生成相應的gz壓縮文件，此時可以load相應文件即可。

如果此時下載好了也可以使用read.table()讀取這個文件。

read有很多模式，可以讀進不同的參數進而獲取不同的文件格式，例如使用不同的分隔符、不同的read后綴等獲取不同的文件，需要去看help或者相關書籍重新學習！需要轉換的話，可以用expr等語句。

ps：當然也存在直接讀這個gz文件進來就是matrix的格式，需要注意。

此處應該常規檢查文件格式。str()看內部結構，class()看文件類型。

---

【方法2】網頁直接下載壓縮文件

利用該GEO數據網頁中的supplementary file中download下custom右鍵進入，或者download family中的series matrix files中下載原始TXT文件。

或者這里有下載的matrix也可以直接下下來，省事。

代碼后可以直接格式化

通過class及length可以獲得該gset的性質為list

那么gset[[1]]之后可以查看該list中的對象。這個對象的性質是ExpressionSet。

換而言之，這個gset的list中只有一個objective就是這個gset[[1]]，其性質為ExpressionSet，因此此時它還不是一個表達矩陣，需要時可通過exprs()轉化成為一個表達矩陣。

此表達矩陣需檢查一下是否取對數，一般信號獲取的是1k-10k的信號強度，需通過log來降級。

# 因為這個GEO數據集只有一個GPL平臺，所以下載到的是一個含有一個元素的list a=gset[[1]] #提取gset的list中的第一個元素對象 dat=exprs(a) #a現在是一個對象，取a這個對象通過看說明書知道要用exprs這個函數#exprs是一個將元素轉化為表達矩陣的函數，此時得到的exprset是一個matrix。 dim(dat) #看一下dat這個矩陣的維度 # ？expressionset 可以查看相關部分的性質及介紹

質控表達矩陣是否符合下游分析。

samples=sampleNames(ob) # sample name就是看有多少GSM樣本 pdata=pData(ob) # pData是看樣本怎么分組，相應的生物學分類，下載整理好后的包 -GEOmeta？ # pdata此時是個data.frame group_list=as.character(pdata[,2]) dim(exprset) #查看exprset矩陣的維度，有33279行（基因表達量），6列（樣本數） exprset[1:5,1:5]

一個是檢測samplename里是否一致，其次，pData轉換格式以及獲取分組信息，相當于直接將ob轉化成為了data.frame格式。后續可以dim檢測維度，或者將你認為有意義的列提出來，轉化為字符或者怎樣。

---

【方法3】直接處理raw data

從GEO數據庫下載矩陣數據-可以直接進行下游分析 | 生信菜鳥團 http://www.bio-info-trainee.com/941.html公眾號可以搜索：從GEO數據庫下載表達矩陣 一文搞定。

舊版：affy包

readaffy讀取原始文件

新版：oligo包

不同公司測序的讀取的包也要不一樣，具體可以見公眾號中的總結

從GEO數據庫下載得到表達矩陣 一文就夠https://mp.weixin.qq.com/s/HoRUzx0UJxgkgQDxouj8rw

總結

以上是生活随笔為你收集整理的GEO学习笔记-P1-P2的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。