【神器分享】自从用了这个神器，大规模RNA-seq数据挖掘我也可以

咱不来虚的，只分享干货，不谈枯燥的理论，只来通俗易懂的操作。先来看一张图：

通过这张图展示的是 GEO数据库中的 RNA-seq数据与芯片数据积累随时间的变化，很显然测序数据从2015年开始就已经超过了芯片数据的累积 （生信宝典注：这里没有统计物种信息，芯片能应用的物种少，测序能应用的物种多。现在临床数据分析还是基于芯片的数据量更大一些，有兴趣一起易生信GEO/TCGA专题课程 - 挖掘公共数据，发表自己文章，同时适合GEO和测序数据）。大批量的数据产生固然是个好事，同时也带来了一个问题，公开的RNA-seq数据大多提供的是原始数据，这样就对数据的重新挖掘使用带来了很大困难。为啥嘞，数据量太大，临床医生，小实验室你确定做得了，就连测序数据从原始数据开始的分析都会遇到很多困难？

今天要介绍的神器呢叫做 ARCHS4，它的诞生呢就是为了解决这个问题，过程讲的比较复杂，简单讲就是西奈山医学院的Mayan实验室设计有效的算法把 GEO/SRA的 原始数据整合，分析，预处理成方便后续分析的矩阵格式。而且发了一篇Nature communication。就像 TCGA那样的数据库，之所以应用广泛，数据整理的格式就是原因之一呀。该数据库包括人和鼠的sample 187,946 , 其中人84,863，鼠103,083。接下来就看下具体这个神器有哪些功能吧：

数据下载功能Download

https://amp.pharm.mssm.edu/archs4/download.html (后台回复 转录组 获取链接)

可供下载的数据包括：

这里只列举了部分，甚至还包括了 GTEx/TCGA的数据，数据都整理为 H5格式，数据包括原始的 read count数据和 meta data信息，简单讲这些数据都整理成了方便后续分析的矩阵格式，可以这样全部下载。

当然也可以挑选自己感兴趣的下载，可以挑选自己感兴趣的组织，细胞系，也可以手动选择，基因集，Download部分会自动产生下载数据的 R代码，放到 Rstudio运行即可。

这里白介素同学，随便测试下载了一个代码，可以看看长啥样，有R基础的小伙伴应该更容易理解 (ggplot2高效实用指南 (可视化脚本、工具、套路、配色))：

大概就是这样，运行下就可以啦。

https://amp.pharm.mssm.edu/archs4/data.html#

此外数据下载后，就是做数据解析了,H5文件格式的解析，批次效应移除等，都有提供相应的代码 (DESeq2差异基因分析和批次效应移除)：

提供代码链接：https://amp.pharm.mssm.edu/archs4/help.html

查询功能

按 meta data信息查询，可以看下自己感兴趣的组织, 细胞系等的 (这个T-SNE聚类很有意思)。

查找 signature，输入数据为上调和下调基因，寻找match这些基因的sample。

富集查询，找到富集某些基因集的sample然后下载，可以从8个基因集库中选择感兴趣的，比如KEGG库，GO库，其实这是一个反向的操作，与咱们通常的差异分析得到基因集进行富集不同，这是一种通过感兴趣的通路，基因集来找sample。

基因查询功能，遇到一个感兴趣的基因，这时候这个功能就派上用场啦，比如案例给出的 FOXM1基因

点击下就可以得到很多信息：

主要功能就是这些啦，提供处理过的数据下载和查询功能。然后就是了解下这个数据库的背景，文章在2018年4月发表在 Nature Communcations上。

内容就分享到这儿啦，白介素同学祝大家学习愉快！

附上网址：

https://amp.pharm.mssm.edu/archs4/index.html

参考资料：

https://www.nature.com/articles/s41467-018-03751-6