公共数据库挖掘之数据下载后处理

在上一篇简书中，我总结了如何下载数据链接如下：[公共数据库挖掘之利用R语言下载并整理GEO数据] https://www.jianshu.com/p/fd5c8389fb53。

数据下载好之后，如何对数据进行处理使其能够用R进行作图，也是关键的一步。

之前我们已经获取了GSE数据，代码如下：

#下载数据,载GSE数据,获得表达量矩阵
options( 'download.file.method.GEOquery' = 'libcurl' ) 
gset <- getGEO('GSE42872',destdir = ".",
               AnnotGPL = F,
               getGPL = F)
#保存数据
save(gset,file = 'GSE42872.gset.Rdata')

在代码中，我们没有获得GPL数据，因此，要在下载GPL数据。获得GPL有两种方法，第一种方法就是在上述代码中修改一处，getGPL=T。

ob=gset[[1]]
mat=exprs(ob)
library(GEOquery)
gpl <- getGEO('GPL6244',destdir = ".")
colnames(Table(gpl))

第二种方法，我们要先对该GSE42872的所处的GPL进行查询，找到其GPL值（参考生信菜鸟团，jimmy老师分享的帖子）。
通过该值对应的R包，我们可以下载GPL文件。方法如下：

source("https://bioconductor.org/biocLite.R")
options(BioC_mirror="http://mirrors.ustc.edu.cn/bioc/")
biocLite("hugene10sttranscriptcluster.db")
suppressPackageStartupMessages(library(hugene10sttranscriptcluster.db))
ls("package:hugene10sttranscriptcluster.db")

#获取对应关系
ids=toTable(hugene10sttranscriptclusterSYMBOL)
length(unique(ids$symbol))
tail(sort(table(ids$symbol)))
table(sort(table(ids$symbol)))
plot(table(sort(table(ids$symbol))))

获得所需要的gpl之后，我们需要对获得的表达矩阵进行过滤。

exprSet=mat
table(rownames(exprSet) %in% ids$probe_id)
dim(exprSet)
exprSet=exprSet[rownames(exprSet) %in% ids$probe_id,]
dim(exprSet)

将表达矩阵和的基因名称与表达量进行整合

new_exprSet = by(exprSet,ids$symbol,function(x) rownames(x)[which.max(rowMeans(x))]) 
uniprobes = as.character(new_exprSet)
exprSet=exprSet[rownames(exprSet)%in%uniprobes,]
rownames(exprSet)=ids[match(rownames(exprSet),ids$probe_id),2]
head(exprSet)

至此，数据整理结束，可以挑选自己感兴趣的基因进行作图了。
例如：

a<- head(exprSet)
a

可以得到下边的数据

image.png