cocostuff10k数据集介绍_GEO数据库介绍 (二)

前面我们GEO数据库的检索方式。但是对于里面的每一个数据集内容没有详细的解释，这次呢，我们就来介绍一下每个数据集里面包括哪些内容。

这次我们用GSE79973数据集进行介绍。(https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE79973)

数据集整体介绍

对于一个数据集而言，首先能看到的是提交这个数据的作者对于这个数据集的基本介绍。其中包括了数据集的题目、检测的物种、测序的类型和实验的整体设计。

我们主要是通过这一部分来选择我们想要的数据集，数据集是否符合我们的要求还是看我们想要做什么样子的分析。最基本的需要确定的就是：疾病分组、所用物种以及测序类型是否是我们想要的就行。

数据集贡献者信息

在这一部分我们能看到提交数据的作者的信息。

在这里面，我们主要还是看作者之前用这个数据集发表了什么文献，了解了人家发表了什么，我们才能去找其他方面的创新点。

数据集作用的平台

数据集所有的平台(Platforms)，也就是我们指我们是用什么公司的什么检测技术来做的数据。例如，这个数据集就是用了Affymetrix公司的Human Genome U133 Plus 2.0芯片。

这里的平台还要出了告诉我们是用什么技术做的数据。另外的话，如果是芯片数据的话。还会包括一个注释文件。这里简单的说一下注释文件这个东西。

注释文件

注释文件：类似于密码解读器一样。我们在做芯片检测的时候，检测的一般都是一些核苷酸序列。这个就类似于一段看不懂的密码。对于我们而言，其实只是想知道基因的变化。通过注释文件，我们就知道一段段的密码对应的是什么基因了。那这段密码的变化也就代表这个基因的变化了。

拿这个表达谱芯片而言，我们点击GPL570的链接，就可以看到这个芯片的注释文件了。

样本信息

再往下，我们看到的就是样本信息了。每一个数据集都包括很多个样本。每个样本的基本信息，我们就可以在这个部分看到。

通过下图，可以看到这个数据集包括20个样本。其中10个是胃癌组织，另外十个则是正常对照组织。

所以对于GEO的数据而言，如果是GSE开头的就是数据集；如果是GSM开头的就是数据集里面的一个样本。

原始数据下载

在原始数据下载部分，GEO提供了多种下载方式。对于我们而言，如果想要下载原始数据的话，下载 矩阵文件(Series Matrix File(s)) 即可。如果一定要最原始的数据的话，则可以下载下面那个附加文件。

矩阵文件介绍

我们在下载了矩阵文件，解压之后可以用excel打开。

打开之后，主要也包括三种信息:

• 数据集的信息: 以Series开头

• 每一个样本的信息: 以sample开头。这里有时候会包括一些临床信息的。有的比如每个样本的TNM分期；预后信息都很良心的放到里面的。

• 基因每一个ID在每个样本之间的表达信息。第一列是每一个探针的ID号，至于这个ID号对应的基因是什么。可以去注释文件当中找的

原始文件的用处

对于高通量数据而言，我们在得到这么多维度的数据，可以做点儿什么呢？

对于表达数据的分析，第一步要做的往往是找哪些在不同的疾病分组当中，存在差异的基因有哪些？这个俗称差异表达分析。如果我们只是来做差异表达分析的话，那其实也不用下载原始数据。在GEO里面有一个自带的工具就可以做。这个工具叫做GEO2R。这个我们明天在介绍。

PS: 那既然在线软件可以做了，为啥还要下载原始数据呢？原始数据其实也可以做其他的分析的嘛。我们矩阵当中一行就代表一个基因在各个样本的表达量，那例如：作者还提供了样本信息，比如说，提供了癌症患者的生存信息，那我们就可以来做每个基因是不是和生存有关系了。如果提供了TNM分期，那也就可以分析每个基因和TNM分析有没有关系了。至于如何分析嘛，最简单的SPSS应该还是可以做的吧。