用R获取芯片探针与基因的对应关系三部曲-bioconductor

已于 2022-05-22 18:21:54 修改
阅读量5.5k 收藏 41
点赞数 3
分类专栏： SCI R语言 文章标签： r语言 开发语言
于 2022-05-12 16:06:34 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-NC-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46587777/article/details/124725956
版权
R语言 同时被 2 个专栏收录
90 篇文章 34 订阅
订阅专栏
SCI
33 篇文章 9 订阅
订阅专栏

用R获取芯片探针与基因的对应关系三部曲-bioconductor

现有的基因芯片种类不要太多了！
soft和miniml都是表示该platform的基础信息，比如GPL编号，上传日期等，soft文件的部分内容如下

但是重要而且常用的芯片并不多！
一般分析芯片数据都需要把探针的ID切换成基因的ID，我一般喜欢用基因的entrez ID。
一般有三种方法可以得到芯片探针与gene的对应关系。
金标准当然是去基因芯片的厂商的官网直接去下载啦！！！
一种是直接用bioconductor的包
一种是从NCBI里面下载文件来解析好！
首先，我们说官网，肯定可以找到，不然这种芯片出来就没有意义了！
然后，我们看看NCBI下载的，会比较大
http://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GPL6947
这两种方法都比较麻烦，需要一个个的来！
所以我接下来要讲的是用R的bioconductor包来批量得到芯片探针与gene的对应关系！
一般重要的芯片在R的bioconductor里面都是有包的，用一个R包可以批量获取有注释信息的芯片平台，我选取了常见的物种，如下：

0gplorganismbioc_package.db
1GPL32Mus musculusmgu74a
2GPL33Mus musculusmgu74b
3GPL34Mus musculusmgu74c
6GPL74Homo sapienshcg110
7GPL75Mus musculusmu11ksuba
8GPL76Mus musculusmu11ksubb
9GPL77Mus musculusmu19ksuba
10GPL78Mus musculusmu19ksubb
11GPL79Mus musculusmu19ksubc
12GPL80Homo sapienshu6800
13GPL81Mus musculusmgu74av2
14GPL82Mus musculusmgu74bv2
15GPL83Mus musculusmgu74cv2
16GPL85Rattus norvegicusrgu34a
17GPL86Rattus norvegicusrgu34b
18GPL87Rattus norvegicusrgu34c
19GPL88Rattus norvegicusrnu34
20GPL89Rattus norvegicusrtu34
22GPL91Homo sapienshgu95av2
23GPL92Homo sapienshgu95b
24GPL93Homo sapienshgu95c
25GPL94Homo sapienshgu95d
26GPL95Homo sapienshgu95e
27GPL96Homo sapienshgu133a
28GPL97Homo sapienshgu133b
29GPL98Homo sapienshu35ksuba
30GPL99Homo sapienshu35ksubb
31GPL100Homo sapienshu35ksubc
32GPL101Homo sapienshu35ksubd
36GPL201Homo sapienshgfocus
37GPL339Mus musculusmoe430a
38GPL340Mus musculusmouse4302
39GPL341Rattus norvegicusrae230a
40GPL342Rattus norvegicusrae230b
41GPL570Homo sapienshgu133plus2
42GPL571Homo sapienshgu133a2
43GPL886Homo sapienshgug4111a
44GPL887Homo sapienshgug4110b
45GPL1261Mus musculusmouse430a2
49GPL1352Homo sapiensu133x3p
50GPL1355Rattus norvegicusrat2302
51GPL1708Homo sapienshgug4112a
54GPL2891Homo sapiensh20kcod
55GPL2898Rattus norvegicusadme16cod
60GPL3921Homo sapienshthgu133a
63GPL4191Homo sapiensh10kcod
64GPL5689Homo sapienshgug4100a
65GPL6097Homo sapiensilluminaHumanv1
66GPL6102Homo sapiensilluminaHumanv2
67GPL6244Homo sapienshugene10sttranscriptcluster
68GPL6947Homo sapiensilluminaHumanv3
69GPL8300Homo sapienshgu95av2
70GPL8490Homo sapiensIlluminaHumanMethylation27k
71GPL10558Homo sapiensilluminaHumanv4
72GPL11532Homo sapienshugene11sttranscriptcluster
73GPL13497Homo sapiens
74GPL13534Homo sapiensIlluminaHumanMethylation450k
75GPL13667Homo sapienshgu219
76GPL15380Homo sapiensGGHumanMethCancerPanelv1
77GPL15396Homo sapienshthgu133b
78GPL17897Homo sapienshthgu133a

这些包首先需要都下载

gpl_info=read.csv("GPL_info.csv",stringsAsFactors = F)
### first download all of the annotation packages from bioconductor
for (i in 1:nrow(gpl_info)){
  print(i)
  platform=gpl_info[i,4]
  platform=gsub('^ ',"",platform) ##主要是因为我处理包的字符串前面有空格
  #platformDB='hgu95av2.db'
  platformDB=paste(platform,".db",sep="")
  if( platformDB  %in% rownames(installed.packages()) == FALSE) {
    BiocInstaller::biocLite(platformDB)
    #source("http://bioconductor.org/biocLite.R");
    #biocLite(platformDB )
  }
}
下载完了所有的包， 就可以进行批量导出芯片探针与gene的对应关系！
for (i in 1:nrow(gpl_info)){
  print(i)
  platform=gpl_info[i,4]
  platform=gsub('^ ',"",platform)
  #platformDB='hgu95av2.db'
  platformDB=paste(platform,".db",sep="")
  if( platformDB  %in% rownames(installed.packages()) != FALSE) {
    library(platformDB,character.only = T)
    #tmp=paste('head(mappedkeys(',platform,'ENTREZID))',sep='')
    #eval(parse(text = tmp))
###重点在这里，把字符串当做命令运行
    all_probe=eval(parse(text = paste('mappedkeys(',platform,'ENTREZID)',sep='')))
    EGID <- as.numeric(lookUp(all_probe, platformDB, "ENTREZID"))
##自己把内容写出来即可
  }
}

参考：http://blog.sina.com.cn/s/blog_62b37bfe0101jbuq.html

从GEO的soft文件中提取探针序列信息

问题

https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GPL16956
我需要注释这个平台，想要下载它的表格，可是直接表格点下面的view full table会显示在网页中，有五万多行，网页只能显示两万多行，根本不完整。在这里插入图片描述
思路
所以我只能下载文件了，隐约记得应该下载soft文件，可我不记得怎么读取了。
解决方案
1.搜索：
在这里插入图片描述
找到了第一个链接：
https://warwick.ac.uk/fac/sci/moac/people/students/peter_cock/r/geo/
哦 原来是这个样子，getGEO可以。但是我的soft好大，接近三百兆，很容易下载不完整。
2.从Rstudio自带的terminal运行linux，下载soft文件到本地
用wget来下载到本地再读取，刚好Rstudio可以运行linux哦，之前发过一次：https://www.jianshu.com/p/c16c7095e4b2

wget -c ftp://ftp.ncbi.nlm.nih.gov/geo/platforms/GPL16nnn/GPL16956/soft/GPL16956_family.soft.gz
gunzip GPL16956_family.soft.gz

在这里插入图片描述
3.读取数据并处理
下载的是压缩包，解压不解压都行的。都可以读取
刚才的帖子里有用信息就是读取方法：

library(GEOquery)
x=getGEO(filename = "GPL16956_family.soft")

step1:从GPL中提取有用的部分，只需要数据框的’ID’,'SEQUENCE’两列。

y=x@dataTable@table[,c('ID','SEQUENCE')]
head(y)

##              ID
## 1 ASHGA5P000001
## 2 ASHGA5P000002
## 3 ASHGA5P000003
## 4 ASHGA5P000004
## 5 ASHGA5P000005
## 6 ASHGA5P000006
##                                                       SEQUENCE
## 1 GAGATAACTAGAACAGTGTCCCTCCCCTTTTATAACCTGTGTTTTTAGATTTCAAAAAGA
## 2 CTAACTGTCAAACAAAGATGGGCTAATTAAACGGATGCCAACTAATCGGAAAACTTCTGG
## 3 CCAGAAGCTCCAGCATGGTCCACCTACCAGAAGCTCCAGCATGATTTACCCATGAGTAGC
## 4 TAAGTACGGTAATGCAAGAAGGTGCAGCAGGCGTAGTGCATTACAGCAACACTGAAAAAC
## 5 TATGAGAGATGAAGAGATAAGGTCTAACTGTTACCTGGGCTGAACCCTTGGACTTCTAGG
## 6 CAGTAGCGAGTATTTACTAAGTACTTTCTATTTGCGAGGCCCTGATAAAAGTACTGTCCT

#断线好几次 保存一下

save(y,file = "16956.Rdata")

step2.重复值统计
几千万行肯定不对，进行去重统计，发现每个都重复了八百多次！不明白为什么。

library(tidyverse)
x=count(y,ID,sort = T)
head(x)

## # A tibble: 6 x 2
##   ID                                      n
##   <chr>                               <int>
## 1 !Sample_channel_count = 1             875
## 2 !Sample_molecule_ch1 = total RNA      875
## 3 !Sample_organism_ch1 = Homo sapiens   875
## 4 !Sample_platform_id = GPL16956        875
## 5 !sample_table_begin                   875
## 6 !sample_table_end                     875

step3.去重复，两种方法

test1=distinct(y,ID,SEQUENCE)
test2=y[!duplicated(y),]

发现有一些叹号开头的行没有被跳过，有NA。所以去除NA。与GEO网页上的行数进行对比，发现一致，说明正确了。保存一下

test3= na.omit(test2)
nrow(test3)

## [1] 58944

save(test3,file = "GPL16956.Rdata")
write.csv(test3,file = "GPL16956.csv",row.names = F)
test4=read.csv("GPL16956.csv")
head(test4)

##              ID
## 1 ASHGA5P000001
## 2 ASHGA5P000002
## 3 ASHGA5P000003
## 4 ASHGA5P000004
## 5 ASHGA5P000005
## 6 ASHGA5P000006
##                                                       SEQUENCE
## 1 GAGATAACTAGAACAGTGTCCCTCCCCTTTTATAACCTGTGTTTTTAGATTTCAAAAAGA
## 2 CTAACTGTCAAACAAAGATGGGCTAATTAAACGGATGCCAACTAATCGGAAAACTTCTGG
## 3 CCAGAAGCTCCAGCATGGTCCACCTACCAGAAGCTCCAGCATGATTTACCCATGAGTAGC
## 4 TAAGTACGGTAATGCAAGAAGGTGCAGCAGGCGTAGTGCATTACAGCAACACTGAAAAAC
## 5 TATGAGAGATGAAGAGATAAGGTCTAACTGTTACCTGGGCTGAACCCTTGGACTTCTAGG
## 6 CAGTAGCGAGTATTTACTAAGTACTTTCTATTTGCGAGGCCCTGATAAAAGTACTGTCCT

sessionInfo()

sessionInfo()

## R version 3.5.1 (2018-07-02)
## Platform: x86_64-conda_cos6-linux-gnu (64-bit)
## Running under: Ubuntu 16.04.5 LTS
## 
## Matrix products: default
## BLAS/LAPACK: /pub/anaconda3/lib/R/lib/libRblas.so
## 
## locale:
##  [1] LC_CTYPE=en_US.UTF-8       LC_NUMERIC=C              
##  [3] LC_TIME=en_US.UTF-8        LC_COLLATE=en_US.UTF-8    
##  [5] LC_MONETARY=en_US.UTF-8    LC_MESSAGES=en_US.UTF-8   
##  [7] LC_PAPER=en_US.UTF-8       LC_NAME=C                 
##  [9] LC_ADDRESS=C               LC_TELEPHONE=C            
## [11] LC_MEASUREMENT=en_US.UTF-8 LC_IDENTIFICATION=C       
## 
## attached base packages:
## [1] parallel  stats     graphics  grDevices utils     datasets  methods  
## [8] base     
## 
## other attached packages:
##  [1] knitr_1.22          forcats_0.4.0       stringr_1.4.0      
##  [4] dplyr_0.8.0.1       purrr_0.3.2         readr_1.3.1        
##  [7] tidyr_0.8.3         tibble_2.1.1        ggplot2_3.1.0      
## [10] tidyverse_1.2.1     GEOquery_2.50.5     Biobase_2.42.0     
## [13] BiocGenerics_0.28.0
## 
## loaded via a namespace (and not attached):
##  [1] Rcpp_1.0.1       cellranger_1.1.0 pillar_1.3.1     compiler_3.5.1  
##  [5] plyr_1.8.4       tools_3.5.1      evaluate_0.13    lubridate_1.7.4 
##  [9] jsonlite_1.6     nlme_3.1-137     gtable_0.3.0     lattice_0.20-38 
## [13] pkgconfig_2.0.2  rlang_0.3.3      cli_1.1.0        rstudioapi_0.10 
## [17] yaml_2.2.0       xfun_0.5         haven_2.1.0      withr_2.1.2     
## [21] httr_1.4.0       xml2_1.2.0       generics_0.0.2   hms_0.4.2       
## [25] grid_3.5.1       tidyselect_0.2.5 glue_1.3.1       R6_2.4.0        
## [29] fansi_0.4.0      readxl_1.3.1     limma_3.38.3     modelr_0.1.4    
## [33] magrittr_1.5     backports_1.1.3  scales_1.0.0     rvest_0.3.2     
## [37] assertthat_0.2.1 colorspace_1.4-1 utf8_1.1.4       stringi_1.4.3   
## [41] lazyeval_0.2.2   munsell_0.5.0    broom_0.5.1      crayon_1.3.4
皮肤小白生
关注
  • 3
    点赞
  • 踩
  • 41
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Biostrings库在R语言中处理生物序列数据RNA
Mrrunsen的博客
08-05 116
Biostrings是Bioconductor中的一个R包，专门用于处理生物序列数据，包括DNA、RNA和蛋白质序列。Biostrings提供了一系列功能，使得在R语言中处理RNA序列数据变得非常简便。Biostrings提供了丰富的功能，包括序列读取、基本操作、搜索、可视化以及RNA结构预测等，为生物学数据分析提供了强大的工具。注意：本教程将介绍如何使用Biostrings包在R语言中处理生物序列数据RNA。我们将涵盖从序列读取、序列操作、序列搜索、序列可视化以及RNA结构预测等方面。
动态canvas 相册简单效果展示
weixin_30635053的博客
04-02 11万+
昨晚应一个客户需求, 花了些时间写了个简单的动态相册效果. 就他给举例的那个示例站点而言, 很明显我的做了很大的优化, 在ipad上也能够较为流畅的运行 (ios 3.4, 对canvas的支持度很低的老版本, 可想在这上面也能够跑的优化) 下面贴结果压缩的代码 (客户需求, 但是相关原理如有需要可详细解释, 基本上涉及动画序列, 函数队列, 计时器, 缓动运算等等操作) <!do...
Bioconductor分析基因芯片数据简介
01-17
Bioconductor分析基因芯片数据。介绍有基因芯片的基础知识、基因芯片的质量控制、基因芯片的校正、标准化、汇总、基因芯片的数据分析等
基因芯片数据分析，博客对应的相关文件
07-02
基因芯片,分析流程,相关代码,结果文件
R语言及BIOCONDUCTOR在基因组分析中的应用.part3
01-08
R语言及BIOCONDUCTOR在基因组分析中的应用.part3
Bioconductor_MicroarrayRNASeq:R脚本使用Bioconductor工具获取和分析微阵列（基因表达和甲基化）和RNA-Seq数据
04-03
Bioconductor_MicroarrayRNASeq 背景：我为Coursera课程的第三份题为“基因组数据科学的生物导体”的课程编写了名为“ HW3.R”的R脚本。 关于：R脚本使用Bioconductor工具获取和分析微阵列（基因表达和甲基化）和RNA-Seq数据。 软件： R版本4.0.4（2021-02-15）。 生物导体版本3.12。 全部。 生物材料 minfiData。 明菲。 GEOquery。 呼吸道。 基因组范围。 基因组特征。 TxDb.Hsapiens.UCSC.hg19.knownGene。 AnnotationHub。
R语言与Bioconductor应用
11-06
生物信息学，R语言，Bioconductor应用，中文，天津出版社
org.Hs.eg.db_3.5.0.tar.gz下载一直报错
05-26
因为上次在Rstudio里面下hgu95av2.db包的时候，其中的org.Hs.eg.db_3.5.0.tar.gz下载一直报错，上网搜了一通，说什么镜像问题，结果换了镜像也没解决，后面直接找个法子本地安装了
GPL下载后没有对应关系怎么解决
最新发布
YZJenny的博客
08-16 912
问题：想下载GPL24676的基因注释文件，通过（1）GEO网页（2）gpl
GPL对应的Bioconductor注释包(最全)
weixin_40739969的博客
11-21 7万+
GPL对应的Bioconductor注释包(最全) 这个是我自己通过代码查找到的GPL对应的bioconductor的注释包，如果是能够找到的话，那么就是这个GPL平台号有应的注释包，如果在这里没有找到的话，那就应该是没有的咯。 一个比较简单实用的方法，在这个网页下，直接快捷键 Ctrl + F, 然后输入你的平台号，就可以快速找到你要的注释包名称了。 至于我如何得到的这个列表，看最底下的代码。 ...
PCA主成分分析
筑梦新时代的博客
05-27 651
通俗的数学原理 一文看懂主成分分析
R语言文件相关的操作
weixin_33918114的博客
06-07 120
1. 文件系统介绍 R语言对文件系统的操作，包括文件操作和目录操作，函数API都定义在base包中。 2. 目录操作 2.1 查看目录 查看当前目录下的子目录。 # 启动R程序 ~ R # 当前的目录 &gt; getwd() [1] "/home/conan/R/fs" # 查看当前目录的子目录 &gt; list.dirs() [1] "." "./...
使用oligo软件包处理芯片数据
R语言与生物信息学
03-27 2万+
本博客介绍过 Affy芯片的处理方法 ，其中所使用的软件包有一定的局限性，无法读取和分析一些新版Affy芯片。本文介绍oligo软件包的处理方法以解决这些问题。oligo软件包并不是新出现的软件包，只因新类型芯片的不断推出，关注它的用户越来越多。而且，除了用于Affy芯片处理外，oligo软件包还可处理NimbleGen芯片。 oligo处理芯片的原理和其他方法相同，难点在最后一步：从探针到
R语言如何做时间序列分析（19）
qq_35294674的博客
05-20 1650
1.什么是时间序列分析？ 在研究基因表达谱或者蛋白表达谱时，经常会涉及到对时间序列的分析。例如，不同的基因或蛋白表达水平随时间表现出怎样的动力学特征，怎样挖掘潜在的时间特征？ 本篇让我们来看一个能够分析基因表达谱或者蛋白表达谱的时间动力学特征的R包-Mfuzz。它能够识别表达谱的潜在时间序列模式，并将相似模式的基因聚类，以帮助我们了解基因的动态模式和它们功能的联系 对于微阵列数据的分析，经常使用聚类技术。大多数此类方法都基于数据的硬聚类，其中一个基因（或样本）被分配到一个聚类中。然而，硬聚类存在一些缺点，例
R语言 | 利用Bioconductor包注释探针，进行探针ID转换
tianyuu1的博客
12-03 2555
使用 R语言实践二之数据预处理、探针ID转换、探针去重 - 简书 (jianshu.com)
GEO分析
weixin_48275332的博客
03-28 3734
title: “R Notebook” output: html_notebook 1 下载加载包 cran_packages <- c('tidyr', 'tibble', 'dplyr', 'stringr', 'ggplot2', 'ggpubr', 'factoext.
GPL6466芯片平台的ID转换及数据挖掘
m0_61606680的博客
12-11 2013
做了一个GPL6466平台的芯片数据处理。没找到辅助R包，用clusterProfiler包和GPL文件做了ID转换。并进行了后续处理
2018-04-21-linux-sources-list html-url、隐藏滚动条
热门推荐
洪君的博客
04-24 18万+
title layout categories tags excerpt Kali Linux之软件安装、卸载、更新和修改更新源 post Linux Linux安装软件 Linux更新源 Linux系统软件安装、卸载、更新与修改更新源 使用Linux系统，与Windows系统一样，也需要及时进行软件与系...
bioconductor和R的版本对应
07-28
Bioconductor和R是具有版本对应关系的。在安装Bioconductor之前，需要前往Bioconductor主页查看与你的R匹配的Bioconductor版本。如果你使用的是最新版R，按照该页面的说明进行安装即可。但是大多数情况下，我们使用的并不是最新版R。在这种情况下，需要借助devtools进行指定版本的Bioconductor安装。具体的安装命令如下： ``` devtools::install_version(package='BiocManager', version='1.30.4') ``` 这样就可以安装相应版本的BiocManager，从而与你的R版本对应。\[1\]\[2\]\[3\] #### 引用[.reference_title] - *1* *2* *3* [R语言Bioconductor安装全流程](https://blog.csdn.net/TianzhouFeng/article/details/113488282)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

皮肤小白生

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值