Q：什么是ArrayExpress数据库？

1.概述

ArrayExpress是功能基因组学（Functional Genomics）数据集的主要公共存储库之一，与GEO数据库类似。主要包括Microarray（微阵列芯片）和High-throughput sequencing（高通量测序）数据，也包括甲基化、CHIP-seq和基因分型（genotypping）等数据。

为支持可重复的研究，可以根据芯片实验的最低信息（MIAME）和测序实验的最低信息（MINSEQE）指南向ArrayExpress进行提交，这些标准支持科学数据的支持和重用。

ArrayExpress既包含GEO的所有数据，同时还包含ArrayExpress自身以及其他数据库如Expression Atlas、CCLE等多种数据，简直就是个大熔炉。

ArrayExpress数据概述
基于开放、包容的理念，EMBL-EBI（European Bioinformatics Institute）欧洲生物信息学研究院更是想收纳所有生物学信息实验的数据BioStudies.

BioStudies中有ArrayExpress模块，能与其实现无缝对接，不得不佩服EMBL-EBI的战略眼光！

2.数据结构

2.1 元数据（metadata）

（备注：MAGE-TAB: MicroArray and Gene Expression Tab，芯片基因表达制表符分割，一种支持MIAME的芯片数据简单格式，由Functional Genomics Data Society联合制定。）

数据提交流程

ArrayExpress的主要研究对象是Experiment，每一个实验包含两个MAGE-TAB文件：

metadata元数据
IDF：主要介绍整个实验的概述，类似SCI论文中的Abstract，包含标题、提交者的联系方式、出版物信息等。
IDF文件

SDRF：描述了所有的样本特征（如细胞类型、样本处理方式），并将每个样本链接到相应的数据文件。SDRF的结构（即列的顺序）反映了从原材料→中间步骤（如核酸标记、测序文库制备等）→原始数据→处理后数据的整个环节。

2.2 原始数据和处理后数据（raw and processed data）

ArrayExpress主要储存raw data和processed data，由于测序数据内容较大，其raw data（fastq数据）储存在ENA（European Nucleotide Archive）；processed data（如BAM、normalised read count matrices）直接储存在ArrayExpress。

• raw data

raw data

• processed data：不同的芯片处理的方式不一样，大致包括背景矫正、log2转换、数据归一化等。可以根据Protocol REF查看处理的细节。

processed data

2.3 实验变量（The experimental variable）

每个实验metadata最重要的元素→实验变量。
主要描述实验的设计，即实验组和对照组，进行的什么处理。

实验变量

3.搜索

搜素及浏览

自定义筛选条件

常用的高级检索缩写：

• organism: organism
• Experimental factor (experimental variable): ef
• the value of an experimental factor: efv，如efv:"diabetes" AND efv:"normal"
• the assay technology: exptype, 如 extype: "Transcription profiling"
• any attribute of the biological sample: sa

Experimental Factor Ontology

结果页面

点击某个实验后，可看到具体的信息

4.数据处理

4.1 芯片数据处理

每家芯片制造商通常会提供数据打开、分析其原始数据的文件，有几种常用的芯片下游分析的免费工具。如：Galaxy、GenePattern、R。

常见芯片原始数据

在芯片分析过程中，探针ID转换是必不可少的，查看Bioconductor可以发现有971个注释R包。

注释R包
如果需要转换探针的数量比较少，可以直接用在线工具：DAVID.

但是当数据比较多时，怎么办呢？
幸好已经有大佬提前给咱们处理好了，推荐R包：AnnoProbe

AnnoProbe
一共包含185个平台的注释文件，基本解决80%常见芯片注释。

4.2测序数据

测序数据

测序数据，需要质控、比对等步骤，对运算资源要求比较高，最好在linux下进行操作，差异分析一般用DeSeq2、edgeR。处理的数据包括RPKM/类似counts数据，可以类似芯片数据进行分析。

备注：有许多高质量的芯片和测序结果，被收录在Expression Atlas中，我们可以在ArrayExpress中搜索“Atlas”查看和下载基因表达情况。
参考链接：
ArrayExpress Discover functional genomics data quickly and easily