100个GEO基因表达芯片或转录组数据处理GSE166193-GPL16686平台（014）

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GSE166193是基因表达芯片数据，因此可以使用GEOquery包下载

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，有需要可以，加入交流群；using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 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，GEOquery::getGEO直接读取本地的文件。

geo_accession <- "GSE166193"
eSet <- getGEO(filename=stringr::str_glue('{geo_accession}_series_matrix.txt.gz'), AnnotGPL = F, getGPL = F)
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，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) %>%
    dplyr::mutate(
        Sample = geo_accession,
        Group = ifelse(str_detect(`treatment:ch1`,"without"),"Control","Treat")
    ) %>%
    dplyr::filter(!is.na(Group)) %>% 
    dplyr::select(Sample,Group,everything())

处理表达谱数据

数据大小不大于50不需要取log

exprs_mtx <- exprs(eSet)
if(max(exprs_mtx, na.rm = TRUE)<50 | min(exprs_mtx, na.rm = TRUE)<0){
  message("基因表达最大值小于50或者最小值小于0不需要log转化")
}else {
  message("基因表达最大值大于50需要log转化")
  exprs_mtx <- log2(exprs_mtx+1)
}
probe_exprs <- as.data.table(exprs_mtx, keep.rownames = "ProbeID")

探针与基因Symbol对应关系

下载GPL16686_family.soft注释文件https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GPL16686

soft=getGEO("GPL16686_family.soft")
a=soft@dataTable@table %>% 
    dplyr::mutate(ProbeID=ID) %>% 
    dplyr::select(ProbeID,GB_ACC) %>% 
    dplyr::filter(GB_ACC!="",GB_ACC!="-")

从https://ftp.ncbi.nih.gov/gene/DATA/下载GB_ACC与基因名的对应关系gene2accession.gz文件

b=fread("gene2accession.gz",select = c("#tax_id","Symbol","RNA_nucleotide_accession.version")) %>%
    dplyr::filter(`#tax_id`==9606) %>% 
    dplyr::mutate(Feature=Symbol,GB_ACC=str_remove(RNA_nucleotide_accession.version,"\\.\\d*")) %>% 
    dplyr::select(GB_ACC,Feature) %>% 
    dplyr::filter(GB_ACC!="",GB_ACC!="-",Feature!="",Feature!="-")

得到注释文件

probe2symbol=merge(a,b,by="GB_ACC") %>% dplyr::select(ProbeID,Feature) %>% distinct(.keep_all = T)

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，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("Feature",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"))

本文由 mdnice 多平台发布