100个GEO基因表达芯片或转录组数据处理之GSE26899（008）

写在前边

虽然现在是高通量测序的时代，但是GEO、ArrayExpress等数据库储存并公开大量的基因表达芯片数据，还是会有大量的需求去处理芯片数据，并且建模或验证自己所研究基因的表达情况，芯片数据的处理也可能是大部分刚学生信的道友入门R语言数据处理的第一次实战，因此准备更新100个基因表达芯片或转录组高通量数据的处理。

数据信息检索

可以看到GSE26899是基因表达芯片数据，因此可以使用GEOquery包下载数据

使用GEOquery包下载数据

using(tidyverse, GEOquery, magrittr, data.table, AnnoProbe, clusterProfiler, org.Hs.eg.db, org.Mm.eg.db)

注：using是我写的函数，作用是一次性加载多个R包，不用写双引号，并且不在屏幕上打印包的加载信息，可以参考之前的推文《如何优雅地管理R包》using的定义；函数名字using是在模仿Julia语言中的包加载函数

因为文件太大，在R内下载失败，可通过图片中的方法下载文件，并且把下载后的文件放在destdir = "./"即当前工作目录，GEOquery::getGEO便能跳过下载，直接使用本地的文件。

geo_accession <- "GSE26899"
gset <- GEOquery::getGEO(geo_accession, destdir = "./", AnnotGPL = F, getGPL = F)
eSet <- gset[[1]]
gpl <- eSet@annotation

处理表型数据

这部分是很关键的，可以筛选一下分组表型信息，只保留自己需要的样本，在这里只保留tissue:ch1中 normal gastric tissue和gastric cancer tissue的样本，作为后续分析的样本（根据自己的研究目的筛选符合要求的样本）

pdata <- pData(eSet)

geo_accession	patient:ch1	tissue:ch1	age:ch1	ajcc stage:ch1	gender:ch1	lauren classification:ch1	location:ch1
GSM662374	KG004C	Gastric tumor tissue	41	4	M	Diffuse	Body
GSM662375	KG008N	Gastric Surrounding normal tissue
GSM662376	KG009C	Gastric tumor tissue	55	1	M	Intestinal	Fundus
GSM662377	KG012C	Gastric tumor tissue	54		M
GSM662378	KG013C	Gastric tumor tissue	45	3	F	Intestinal	Antrum
GSM662379	KG014N	Gastric Surrounding normal tissue

pdata %<>%
    dplyr::mutate(
        Sample = geo_accession,
        Patient=`patient:ch1`,
        Age=`age:ch1`,
        Stage=`ajcc stage:ch1`,
        Sex=`gender:ch1`,
        Histology=`lauren classification:ch1`,
        Location=`location:ch1`,
        Group = dplyr::case_when(
        stringr::str_detect(`tissue:ch1`, "normal") ~ "Nomal", 
        stringr::str_detect(`tissue:ch1`, "tumor tissue") ~ "Cancer",
        TRUE ~ NA),
    ) %>%
    dplyr::filter(!is.na(Group) %>%
    dplyr::select(Sample,Patient, Group,Histology, Age,Stage, Location, Sex)

处理表达谱数据

数据大小不大于50不需要取log

exprs_mtx <- exprs(eSet)
range(exprs_mtx, na.rm = TRUE)
# 5.11 15.227
probe_exprs <- as.data.table(exprs_mtx, keep.rownames = "ProbeID")

探针与基因Symbol对应关系

从AnnoProbe包中获取探针与GeneID对应关系

probe2symbol <- AnnoProbe::idmap(gpl = gpl, type = "soft", mirror = "tencent", destdir = od) %>%
    dplyr::rename(ProbeID = ID, GeneID = symbol) # pipe", "bioc", "soft"

ID转换

把表达矩阵中的探针名转换为基因名；transid是我写的一个R函数，有需要可以联系我的公众号@恩喜玛生物，加入交流群

fdata <- transid(probe2symbol, probe_exprs)

保存数据

common_samples <- base::intersect(colnames(fdata),pdata$Sample)
fdata %<>% select(all_of(c("GeneID",common_samples)))
fwrite(fdata, file = stringr::str_glue("{geo_accession}_{gpl}_fdata.csv.gz"))
pdata %<>% dplyr::filter(Sample %in% common_samples)
fwrite(pdata, file = stringr::str_glue("{geo_accession}_{gpl}_pdata.csv"))