GEO数据下载和整理

一、从GEO官网下载表达和临床数据

Home - GEO - NCBI

GEO数据库构成：

1. GEO Platform（GPL）

• 定义：描述实验使用的芯片或测序技术平台。

• 内容：包含探针与基因的对应关系、平台设计参数等元数据。

• 示例：GPL570（Affymetrix Human Genome U133 Plus 2.0 Array）。

2. GEO Sample（GSM）

• 定义：单个生物样本的实验数据。

• 内容：原始数据（如CEL文件）、处理后的表达矩阵及样本描述（如疾病状态、处理条件）。

• 示例：GSM12345（肺癌组织样本的基因表达谱）。

3. GEO Series（GSE）

• 定义：关联多个样本（GSM）的完整研究项目。

• 内容：实验设计、分析方法及所有相关GSM和GPL的索引。

• 示例：GSE12345（包含20个样本的肺癌转录组研究）。

4. GEO Dataset（GDS）

• 定义：经NCBI整合和标准化的数据集。

• 内容：统一格式的表达矩阵、实验注释及差异分析工具。

• 示例：GDS1234（标准化后的乳腺癌基因表达数据集）。

筛选数据：

1.关键词检索：癌症名称，研究目的，同义词等

2.筛选：物种，数据类型，研究类型

【为了避免筛掉所需的数据集，一般只筛物种，对于临床研究来说，选择homo，也就是人类，更具有可信度。之后点进去查看详细信息，如果是看基因表达的，mRNA的，可以查看是不是mRNA，或者是不是transcription的。其他待补充】

• 若研究基因表达→选Expression profiling by array。

• 若研究表观遗传→选Methylation profiling by array。

• 若需特殊分子或整合分析→选Customize

3.筛选高质量数据库：

样本量大于30；

实验设计包括癌组织和癌旁正常组织对比；

4.下载数据

选择Series Matrix File(s)，这里会有三个部分信息，一是GSE的一些信息，二是临床信息，三是表达矩阵。

二、获取注释信息

获取注释信息的方式主要有三种。第1、2种一般来说都会有，不是第1种就是第2种，第3种是一些常用数据集有，不一定都有。

点进去相对应的平台文件信息后，划到最下方

1.TXT格式

点击Download full table即可

2.Soft格式

如果出现View full table，就点击SOFT formatted family file（s）

进去之后，再点击下载soft.gz格式的文件

3.对应平台的R包

以下链接是转载的，写的很详细，有链接来源，最全的R包，代码：

 https://blog.csdn.net/weixin_40739969/article/details/103186027

三、注释及整理

不同方式获取的注释信息对应不同的注释及整理方式。

先解压，先解压，先解压文件！！！

跑对应的代码即可

1.TXT格式

#加载
library(GEOquery)

#设置工作目录
setwd("")

#下载矩阵，目录下已存在，自动读取

#获取表达矩阵

#如果数据已经经log后，显示log2 transform not needed；
#如果数据没有尽行log，需要log程序按照代码尽行log转换，完成后显示log2 transform finished。

#获取临床信息

#输出临床信息

#读入txt注释文件

#查看

#提取探针ID及基因symbol

#修改列名

#获取基因symbol
library(stringr)  

#去掉没有注释symbol的探针

#由于部分探针ID是由全数字组成的，会导致R自动将其识别为数值型
#因此，这里需要将探针的id改为字符型

#平台文件的ID和矩阵中的ID匹配。%in%用于判断是否匹配。

#获取匹配的表达数据

#查看探针名与注释文件名是否完全一致

#合并

#删除重复基因，保留最大值

#一定注意看，是否需要删除几行

#转化行名

#删除第一二列

#导出
write.table(data.frame(ID=rownames(dat),dat),file="GSE.txt", sep="\t", quote=F, row.names = F)
 

2.Soft格式

#加载
library(GEOquery)

#设置工作目录
setwd("")

#下载矩阵，目录下已存在，自动读取

#获取表达矩阵

#如果数据已经经log后，显示log2 transform not needed；
#如果数据没有尽行log，需要log程序按照代码尽行log转换，完成后显示log2 transform finished

#获取临床信息

#输出临床信息

#下载soft注释文件，目录下有会自动读入

#获取注释信息

#查看

#提取探针ID及基因symbol

#修改列名

#获取基因symbol
library(stringr)  
 

#去掉没有注释symbol的探针
 

#由于部分探针ID是由全数字组成的，会导致R自动将其识别为数值型
#因此，这里需要将探针的id改为字符型

#平台文件的ID和矩阵中的ID匹配。%in%用于判断是否匹配。

#获取匹配的表达数据

#查看探针名与注释文件名是否完全一致

#合并

#删除重复基因，保留最大值

#一定注意看，是否需要删除几行

#转化行名

#删除第一二列

#导出
write.table(data.frame(ID=rownames(dat),dat),file="GSE.txt", sep="\t", quote=F, row.names = F)
 

3.对应平台的R包

#加载
library(GEOquery)

#设置工作目录
setwd("")

#下载矩阵，目录下已存在，自动读取

#获取表达矩阵

#如果数据已经经log后，显示log2 transform not needed；
#如果数据没有尽行log，需要log程序按照代码尽行log转换，完成后显示log2 transform finished。

#获取临床信息

#输出临床信息

#提取信息
library(hgu133plus2.db)
library(dplyr)

#查看列名，获取SYMBOL

#获取探针ID及gene symbol

#修改列名

#获取基因symbol

#去掉没有注释symbol的探针

#由于部分探针ID是由全数字组成的，会导致R自动将其识别为数值型
#因此，这里需要将探针的id改为字符型

#平台文件的ID和矩阵中的ID匹配。%in%用于判断是否匹配。

#获取匹配的表达数据

#查看探针名与注释文件名是否完全一致

#合并

#删除重复基因，保留最大值

#一定注意看，是否需要删除几行

#转化行名

#删除第一二列

#导出
write.table(data.frame(ID=rownames(dat),dat),file="GSE.txt", sep="\t", quote=F, row.names = F,col.names = T)
 

四、导出

1.临床信息

整理：删去不需要的信息，保留所要的，比如性别、年龄、分期、生存状态等

2.表达矩阵