GEO背景知识 + 分析思路

实验设计

实验目的：通过基因表达量数据的差异分析和富集分析来解释生物学现象

病变组织 vs 健康组织

药物处理 vs 对照组

......

实验流程：有差异的材料 → 差异基因 → 代谢通路 / 功能注释 → 解释差异的原理

GEO数据的格式：

GSE：一个完整的研究，并提供了整个研究的描述，包括对数据的描述，总结分析。

GSM：用户提交给GEO的样本数据。

GPL：用户测序使用的芯片 / 平台。

基因表达芯片的原理：探针的表达量反应基因的表达量。

分析思路

1. 看文章找GSE编号，到GEO数据库搜索

2. 下载数据：表达矩阵、临床信息

1. 将数据下载到本地

# 下载用函数实现
GEOquery::getGEO

2. 以对象的形式读入R（eSet）

从eSet中提取表达矩阵 exp（做分析的主体数据）

从eSet中提取临床信息 pd（数据框）（提取分组信息）

从eSet中提取 gpl 编号（寻找探针和基因之间对应关系的依据）

3. 检查数据：分组之间是否有差异，PCA，热图

# 数据框转置：
as.data.frame(t(exp))

# 热图标准化：
scale

不需要比较同一样本中的两个基因的绝对数值大小，一个基因在不同样本间的表达量差异才是重点。

截取方差最大的1000个基因作热图：

4. 差异分析及可视化，火山图、热图

limma包用于芯片差异分析

本质上只是R包和函数！

准备好需要输入的数据、写对参数

注意查看帮助文档

（另外，转录组数据差异分析三大R包：limma（voom）、edgeR、Deseq2）

limma差异分析的结果

行名：探针的ID，继承于表达矩阵的行名。

每一行都计算了logFC和P.Value

 芯片注释：探针与基因的对应关系

每个公司的芯片命名方式各不相同

基因名也有很多种

注释来源：

① GEO数据库中GPL页面的表格；

② Biocoductor的注释包：用R获取芯片探针与基因的对应关系三部曲-bioconductor | 生信菜鸟团http://www.bio-info-trainee.com/1399.html③官网下载对应产品的注释表格（一般不用）

④自主注释（一般不用，因为需要比较好的R语言基础和比较大的服务器）

一个探针对应多个基因 - 非特异性探针，注释文件中去除，不需要管

多个探针对应一个基因：按照基因去重复

5. 富集分析

输入数据

差异基因的entrezid，所有基因的entrezid。

# id转换：
bitr()

Symbol：基因名

ENTREZID：富集分析指定用

二者并非一一对应，损失部分基因属于正常。

输出结果

输出结果的可视化

条带图

横坐标：每条通路富集到的count数

纵坐标：通路名称，按p值从大到小排序

颜色：按adjust.pvalue值从大到小分配

点图（气泡图）：按富集基因数从大到小排列

横坐标：GeneRatio

纵坐标：通路名称，按照count数排序

颜色：根据P值

大小：根据count数

其它图