affymatrix探针转换 | GPL5175探针对应的基因转换

一般情况下，有一些比较成熟的对应平台的注释数据集的R包。但是这个注释平台，我在Bioconductor上找了一圈都没有找到。只能通过最原始也最可靠的方法，从GEO数据集上去下载这部分的注释文件。以下展示全过程。

我要检查的数据平台是：GPL5157。
数据集的注释集链接为：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GPL5175

这个注释数据集比较难弄的地方在于，它的基因集注释的不太好。没有比较直接的可供提取的genesample的信息；在gene assignment那边，对于gene的注释也不是特别的完整，各个label之间对的很整齐。

（原来是我快捷键弄错了。切换输入法，使用win+空格）

最近依旧是不得不点击下载full table。
文件并不大，只有83.3Mb。

接下来，我们对该文件进行读取，提取探针与基因之间的一一对应关系。
将该文件命名为：GPL5175-probe-annonation.txt用于下游分析。

---

• 这里遇到了一个问题，我怎样都没有想明白！
  就是今天最主要的任务是要进行探针转换的，但是读取注释文件的时候，原始文件有3万多行，但是真的用table读的时候，就只有1万五千行，究竟是发生了什么？是不是数据本身最大的容量就是1万多行。装不了更大的。
  我的猜想是对的，当我换用fread（）读取，一切正常了。

---

又遇到了新的问题：这个平台的作者太不知道与人方便了。gene id不唯一，不好提取一一对应关系。
现在看看别人是怎么使用这个数据的。
别人是基于探针的染色体好，和基因组的gtf文件匹配，然后得到对应的基因的信息，但是我觉得这个太没有效率。于是还是继续沿用作者给出的探针ID对应匹配上的gene的名字。

---

library(data.table)
probe<-fread("GPL5175-probe-annonation.txt")
#col.names=paste0('V', seq_len(ncol)
#好像是probe这个文件读取不全
#这个数据文件本事很多行，但是哪些是和我们的数据对应的呢？
dim(subdata)
#我接下来需要获取的是这17565个probe的基因注释信息
head(cellTypePEM)
interest_probe<-rownames(cellTypePEM)
length(interest_probe)
length(intersect(probe$ID,interest_probe))
probe_gene<-subset(probe,probe$ID%in%interest_probe,select=c(ID,gene_assignment))
dim(probe_gene)#为什么筛掉了那么多#将近一半#这下对了
head(probe_gene)
library(stringr)
gene_anno<-as.data.frame(str_split_fixed(probe_gene$gene_assignment,"//",n=2))
gene_anno2<-as.data.frame(cbind(probe_gene$ID,gene_anno$V1))
dim(gene_anno2)
write.csv(gene_anno2,"probe_anno.csv")
colnames(gene_anno2)<-c("ID","anno")
cellTypePEM2<-cbind(rownames(cellTypePEM),cellTypePEM)
colnames(cellTypePEM2)[1]<-"ID"
merge_data<-merge(cellTypePEM2,gene_anno2)
#rownames(merge_data)<-merge_data$anno
#haorongyidaozhiyibule,youchucuole,juewang
##看看unique有多少？
table(merge_data$anno)
#这里还是想知道有没有漏掉的情况
#
#要对数据进行筛选，这228个还是可以接受的
#去除有重复的行
merge_data2<-merge_data[!duplicated(merge_data$anno),]
rownames(merge_data2)<-trimws(merge_data2$anno, which = c("both", "left", "right"), whitespace = "[ \t\r\n]")
#grep("^EN",merge_data2$anno,value = T)
#这个就验证了其实Id中也还是有ENST的基因的
grep("--",merge_data2$anno,value = F)
merge_data3<-merge_data2[,c(-1,-16)]
#到这里ID转换就基本结束了

这给我带来的启示如下：
（1）之后判断与gene的位置关系的时候，以转录本作为主要的研究对象，提取转录本（基因名），将其与咱们的这个基因一一对应。