GEO、TCGA数据下载、清洗、分析生信TCGA GEO

GEO数据库视频学习笔记(芯片数据下载和数据读取)

2020-05-03  本文已影响0人  生信start_site

之前写的的CHIP-seq和RNA-seq很多练习的数据都是从GEO数据库下载的。但是从来没有细致的了解过GEO这个数据库。趁着还没复工,再多学一点新知识~这次的笔记是生信技能树的视频笔记,视频是对公众开放的,地址如下:

生信技能数b站视频地址:https://space.bilibili.com/338686099/channel/detail?cid=95141

视频还是很浅显易懂的,写这个笔记的目的也是想以后如果不方便回顾视频的时候(比如在实验室里),可以随时拿出笔记来按照步骤操作。

(一)GEO数据库的简单了解以及需要看的基础知识

GEO数据库首页:https://www.ncbi.nlm.nih.gov/geo/

然后可以看看具体的,点击下图里的“overview”:

会显示这个页面:

平台会列出每个探针对应什么基因

举个例子:你在GEO首页输入GSE42872,可以看这个GSE对应的信息:

点击红圈的位置,可以查看芯片信息:

这里可以看到每一探针对应的基因。ID就是探针的名字,GB_List是基因名

往右滑动这个表,还可以看到更多的信息,包括上面基因对应的真正的基因名:

这样一来,你就可以用R来用字符串切割,来提取这些基因名称。

需要注意的是,一个GSE里可以有多个芯片的,比如说:一个GSE里面有3种芯片平台数据该如何处理呢?

这个GSE7382里就包含了3个芯片平台

参考文章:
(1)解读GEO数据存放规律及下载,一文就够
(2)芯片基础知识打卡
(3)illumina的bead 系列表达芯片扫盲

(二)GEO数据库下载

这里用GSE42872作为练习

(1)方法一

直接在GEO首页输入GSE42872,点搜索,在新的页面最下面,选择“custom”,会弹出下面的列表:

这里显示的是raw data。这里Jimmy大神并不推荐使用这种方法下载原始数据。因为芯片的数据处理方法是根据不同芯片来的,有很多种处理方法,甚至有的芯片是定制的,你就不知道应该怎么处理。

但是你非要下载怎么办呢?点击“http”,就行了:

(2)方法二

下载表达矩阵,点击这个页面的“Series Matrix Files”:

然后会弹出一个页面:

下载这个文件,这个文件可以直接读取到R里。

# 加几个参数,可以直接读取压缩文件
> a = read.table("GSE42872_series_matrix.txt.gz",sep = "\t", quote= "", fill = T)

但是View以后看起来很奇怪:

每行开头都有“!”,而且也不像是表达矩阵。所以需要读取的时候多加一个参数:

> a = read.table("GSE42872_series_matrix.txt.gz",header = TRUE,sep = "\t", quote= "", fill = T,comment.char = "!")

现在View一下,感觉才像一个表达矩阵:

但是这样的情况,你需要手动把样品名称改成是什么condition的样品,对应网站的注释:

(3)方法三

参考文章:生信技能树:解读GEO数据存放规律及下载,一文就够
我们需要安装GEOquery这个R包,这个包的中文使用说明:用GEOquery从GEO数据库下载数据

直接在R里读取表达矩阵:

> BiocManager::install("GEOquery") #如果你用install.packages安装不了,可以试试用BiocManager安装
> library(GEOquery)
> gse <- getGEO('gse42872',GSEMatrix = TRUE, AnnotGPL = FALSE) #后面两个参数不是必需的
Found 1 file(s)
GSE42872_series_matrix.txt.gz
Using locally cached version: C:\Users\******\AppData\Local\Temp\RtmpGm3GKM/GSE42872_series_matrix.txt.gz
Parsed with column specification:
cols(
  ID_REF = col_double(),
  GSM1052615 = col_double(),
  GSM1052616 = col_double(),
  GSM1052617 = col_double(),
  GSM1052618 = col_double(),
  GSM1052619 = col_double(),
  GSM1052620 = col_double()
)
Using locally cached version of GPL6244 found here:
C:\Users\YANFAN~1\AppData\Local\Temp\RtmpGm3GKM/GPL6244.soft 
|========================================================================| 100%   96 MB

然后View一下:

> View(gse)

这个文件是一个“对象”:

做过单细胞测序的童鞋一定知道“对象”是什么。

由于方法三有的时候在国内并不容易下载,因为“墙”和网速的问题。所以你也可以用方法二,下载后读取。

上一篇下一篇

猜你喜欢

热点阅读