【ppmm】如果要作GEO数据分析，最初的步骤总是逃不过寻找GEO数据集。另外，某些数据集的芯片平台（GPL）使用的人少，需要自己注释基因。所以就有了这篇……

1.找GEO数据集

法1：从文献中取用GSE号

优点：①文献能帮你快速了解文中的GEO数据集；②文献会提供一种数据集分析方法；③有时你可以借助文献判断自己分析结果的可用性。
缺点：在设计课题时思路可能会受到些影响。

法2：从GEO官网找：

有两种途径找GSE数据，并且两个方法所展示的数据集种类有些不同，个人喜欢从“series”进入：

GEO官网界面
优点：①结果直观并且可选择的数据集多；②只要关键词正确，就能快速找到想要的数据集；③数据集信息齐全，可以直接联系到数据集来源文章，能更全面了解数据集。
缺点：耗时，某些数据集的芯片平台（GPL）使用的人少，需要自己注释基因。

---

2. 基因注释

2.1 直接使用现有R包

先搜索能否直接利用包进行注释：生信菜鸟团：用R获取芯片探针与基因的对应关系三部曲-bioconductor

2.2 自己注释

从GEO的soft文件中提取探针序列信息

1. soft文件的获取：ftp://ftp.ncbi.nlm.nih.gov/geo/platforms/

2. 利用Linux下载soft文件：① wget ② apex ；下载好以后通过文件传输工具（filezilla或winscp）放入R工作文件夹下；

3. 读取数据并处理：

   library(GEOquery)
   x=getGEO(filename = "GPL23126_family.soft")
   

   (1) 从GPL中提取信息：“ID”，“SEQUENCE”；

   y=x@dataTable@table[,c('ID','SEQUENCE')]
   head(y)
   

   (2) 重复值统计

   可以省略这一步

   library(tidyverse)
   x=count(y,ID,sort = T)
   head(x)
   

   (3) 去重复 - 两种方法

   #法一：distinct选独特值；
   test1=distinct(y,ID,SEQUENCE)
   #法二：复制值“duplicated”
   test2=y[!duplicated(y),]
   test3= na.omit(test2) #去除NA
   nrow(test3)
   #与GEO网页上的行数进行对比，一致即正确，保存
   
   save(test3,file = "GPL23126.Rdata")
   write.csv(test3,file = "GPL23126.csv",row.names = F)
   ids=read.csv("GPL23126.csv")
   head(ids)
   

请保存号“ids”文件，这个便是之后的注释文件。
另外，GPL注释有时会因为文件过大需要时间较长。