HTA2.0芯片比较麻烦

表达芯片数据处理教程，早在2016年我就系统性整理了发布在生信菜鸟团博客：http://www.bio-info-trainee.com/2087.html 配套教学视频在B站：https://www.bilibili.com/video/av26731585/ 代码都在：https://github.com/jmzeng1314/GEO 早期目录如下：

• 第一讲：GEO，表达芯片与R
• 第二讲：从GEO下载数据得到表达量矩阵
• 第三讲：对表达量矩阵用GSEA软件做分析
• 第四讲：根据分组信息做差异分析
• 第五讲：对差异基因结果做GO/KEGG超几何分布检验富集分析
• 第六讲：指定基因分组boxplot指定基因list画热图
• 第七讲：根据差异基因list获取string数据库的PPI网络数据
• 第八讲：PPI网络数据用R或者cytoscape画网络图
• 第九讲：网络图的子网络获取
• 第十讲：hug genes如何找

但并不是万能的，即使是表达芯片，也有一些是我的知识盲区，主要是因为没有时间去继续探索整理写教程，毕竟大家都不支持我写教程，没有人打赏或者留言鼓励我！

不过最近学徒问到了[HTA-2_0] Affymetrix Human Transcriptome Array 2.0芯片的事情，其实挺麻烦的，首先需要搞清楚下面3个平台的差异：

• GPL17586 [HTA-2_0] Affymetrix Human Transcriptome Array 2.0 [transcript (gene) version]
• GPL19251 [HuGene-2_0-st] Affymetrix Human Gene 2.0 ST Array [probe set (exon) version]
• GPL16686 [HuGene-2_0-st] Affymetrix Human Gene 2.0 ST Array [transcript (gene) version]

如果是芯片cel原始数据处理

那么看我的教程 你要挖的公共数据集作者上传了错误的表达矩阵肿么办（如何让高手心甘情愿的帮你呢？） 里面有提到：

# BiocManager::install(c( 'oligo' ),ask = F,update = F)
library(oligo) 
# BiocManager::install(c( 'pd.hg.u133.plus.2' ),ask = F,update = F)
library(pd.hg.u133.plus.2)

dir='~/Downloads/GSE84571_RAW/'
  od=getwd()
  setwd(dir)
  celFiles <- list.celfiles(listGzipped = T)
  celFiles
  affyRaw <- read.celfiles( celFiles )
  setwd(od)
  eset <- rma(affyRaw)
  eset
  # http://math.usu.edu/jrstevens/stat5570/1.4.Preprocess_4up.pdf
  save(eset,celFiles,file = f)
  # write.exprs(eset,file="data.txt")

当然了，你没有R基础是看不懂的哈。

如果是芯片注释到基因

也是很简单

  library(GEOquery)
  #Download GPL file, put it in the current directory, and load it:
  gpl <- getGEO('GPL19251', destdir=".")
  colnames(Table(gpl))  
  head(Table(gpl)[,c(1,10)]) ## you need to check this , which column do you need
  probe2gene=Table(gpl)[,c(1,10)]
  head(probe2gene)
  library(stringr)  
  probe2gene$symbol=trimws(str_split(probe2gene$gene_assignment,'//',simplify = T)[,2])
  plot(table(table(probe2gene$symbol)),xlim=c(1,50))
  head(probe2gene)
  save(probe2gene,file='probe2gene.Rdata')

不同平台， 就替换GPL，然后自行看输入输出判断一下即可，也需要R基础啦。

如果是差异分析

当然了也可以直接修改我的代码，不过这个HTA2.0芯片比较麻烦的在于，基于exon和基于transcript的有一点点区别，因为基于exon理论上可以获取不同剪切体的表达量差异的，虽然实际上很少有人愿意去探索。

发表在 BMC Genomics. 2017; 文章 RNA sequencing and transcriptome arrays analyses show opposing results for alternative splicing in patient derived samples 就提到过。

更麻烦的是，因为这个芯片记录35万个外显子，这样矩阵就非常大， 都可以与根据illumina的450K甲基化芯片媲美啦！

可以看到，大量的基因有着1-30个探针，如下：

所以有文章采取非常特殊的差异分析策略：

最后一个作业

大家可以拿 https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE118222 数据集，测试看看，走我给大家的代码，得到PCA,热图，火山图，看看是否合理。

GSM3321243  LNCaP EtOH rep 1
GSM3321244  LNCaP EtOH rep 2
GSM3321245  LNCaP DHT rep 1
GSM3321246  LNCaP DHT rep 2
GSM3321247  LNCaP ABT-DHT rep 1
GSM3321248  LNCaP ABT-DHT rep 2
GSM3321249  C4-2 DMSO rep 1
GSM3321250  C4-2 DMSO rep 2
GSM3321251  C4-2 ABT rep 1
GSM3321252  C4-2 ABT rep 2