芯片数据分析步骤6 探针注释

注释探针

注释探针的原因

为了防止非特异性结合造成的干扰，芯片厂商往往会使用多个探针检测同一个基因的表达。因此，芯片厂商不会使用基因名作为探针的名称，而是使用自己定义的探针名称。要合并重复探针，我们必须先对探针进行注释，确定每个探针对应检测哪个基因的表达，然后再合并重复探针。而后续分析如GSEA，只能对基因进行分析，因此也要求对探针进行注释。

注释探针的方法

1 使用芯片厂商的注释信息注释

这个方法是金标准，但也是最不常用的方法。为什么呢？你去芯片厂商的网站上搜索一下就知道了。操作界面非常的user-unfriendly，我找了半天都没找到我想要的注释信息。就更别提下载下来对手头的芯片数据进行注释了。

2 使用 GPL 文件注释

这个方法比较常见，操作起来很简单，既可以手动下载GPL信息，也可以用GEOquery包下载GPL信息。唯一的问题就是GPL文件一般比较大，下载下来不是很方便，还要求我们有一定的R语言基础才能进行注释。

以下用一个例子来演示如何使用GPL文件注释探针。

首先找到你想要分析的芯片数据的信息。这里使用的是GEO数据库GSE49382的芯片数据。

点开GSE49382的页面，可以看到GPL信息。用红框框出。是031058-Agilent ATH NAT array的芯片。我尝试去bioconductor里寻找相关的注释包，没找到。也就是说这个芯片不能用bioconductor进行注释，只能用GPL进行注释。

点开GPL看看，可以看到GPL的注释信息。

注意到，第四列的”ORF”是我们需要的gene name信息。

下载数据。

library(GEOquery)
gse382<-getGEO('GSE49382',destdir =".")##根据GSE号来下载数据，下载_series_matrix.txt.gz
gpl515<-getGEO('GPL17515',destdir =".")  ##根据GPL号下载的是芯片设计的信息, soft文件