[生信入门笔记]1.GEO芯片数据下载

参考视频：

03:34:34

1.R语言基础与环境配置

682

2

视频

华哥生信AI

---

GEO芯片数据已经是几十年以前的技术了，现在一般使用RNAseq等数据。但十几年前的数据也是数据，可以参考挖掘。

GEO数据库信息

GEO网址：https://www.ncbi.nlm.nih.gov/geo/ 。在其中搜索栏搜索对应数据编号即可获取数据（此处使用数据GSE12417），需要关注以下信息：

⚠️不要用分析RNAseq单细胞的方法分析芯片数据，反之亦然！！

如果是芯片数据，Experiment type 会显示Expression profiling by array，而二代测序则显示高通量测序，请注意区分。

我们应关注测试平台 Platforms。此外，RNAseq 数据的 Relations 中会包含RSA测序原始文件，但芯片Array 并不包含。
那芯片数据的原始数据在哪？原来是在 Supplementary file 之中。而我们需要使用的表达矩阵，则存在于 Download family之中。

如果是 RNAseq 数据，那么表达矩阵应存放在 Supplementary file 之中。

Platform平台信息

• 芯片数据（Microarray，如基因表达芯片）
  芯片技术利用探针杂交原理。已知的基因序列对应的探针固定在芯片上，样品中的DNA或RNA与探针杂交，杂交强度与荧光信号的强弱成比例，用来反映基因的表达水平或基因变异。

这里的U133A、U133B是不同版本的芯片型号。

点开平台信息向下拖动找到 Data table，ID 即为探针，Gene Symbol 即为基因名（如 CCL5、DDR1 之类的），由于特异性有限，会出现一个探针对应多个基因的现象。

点开样品信息可以看到样本详情，我们应关注样本数据处理方式 Data processing，了解该数据通过什么方式得来。

表达矩阵数据下载

从网页下载

在 Download family 之中选择表达矩阵 Series Matrix File(s) 下载一个表达矩阵（此处下载了GSE12417-GPL570_series_matrix.txt.gz）

在文本编辑器中打开即可看到所需的数据以及其结构，在后续的文章中将详细分析。

在 R studio 下载

R语言中有专门的GEOquery包下载GEO数据：

# 判断R环境是否已经安装BiocManager，若没有则安装
if(!requireNamespace("BiocManager",quietly = TRUE))install.packages("BiocManager")
# 使用BiocManager的install函数安装GEOquery包，以导入GEO数据
BiocManager::install("GEOquery")
# 此处::install是使用BiocManager命名空间中的函数install函数的意思

# 加载GEOquery包
library(GEOquery)
# 获取数据，并将数据下载在本路径（destdir = "."）
# getGPL = FALSE说明不下载平台信息，可以使用浏览器下载，防止R console网络波动导致的下载失败
gset <- getGEO("GSE12417", destdir = ".", getGPL = FALSE)
# 可选查看数据
# View(gset)

可以发现，R已经将GEO数据下载在了本地，并导入到了Environment中。

此处使用GSE号下载的是全部样本的数据，相应的，使用GSM号下载的便是单个样本信息，使用GPL号下载的便是平台信息。

在 R studio 打开从网页下载的数据

如果是手动从网页下载的数据，可以通过如下方式导入R中。

#在 R studio 打开从网页下载的数据
gset1 <- getGEO(filename = "./GSE12417-GPL570_series_matrix.txt")

下节预告

• R语言生信相关基础知识

---

好了，饿煞我也，该点个外卖吃吃了，晚些再学习下一部分。🤓👆