GEO数据库

了解GEO数据库

https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE42872

https://www.ncbi.nlm.nih.gov/bioproject/PRJNA398328

1.GEO Platform(GPL) 各种芯片、测序仪

2.GEO Sample(GSM) 样本

3.GEO Series(GSE) 数据集（每篇文章都会有一个GSE号） 42589

4.GEO Dataset(GDS)

★我们的起点就是一个数据集（GSE）,搞清楚里面有多少Sample（GSM）

★了解GEO中一个GSE页面的信息内容是怎么组成的

bowtie2

fq全称FASTQ，是一种存储生物学序列信息（通常是DNA序列或RNA序列）及其相应质量信息的文本文件格式。FASTQ 文件通常由高通量测序平台生成，例如Illumina。

FASTQ 文件的基本结构如下：

行1： 序列标识符（Sequence Identifier）以“@”开头。 行2： 序列数据，即生物学序列。 行3： 以“+”开头的行，通常包含与序列相关的额外信息，但可能为空。 行4： 质量值，表示与相应序列位置相关的测序质量。

bowtie2是用来做比对的，比对需要参考基因组和fq测序文件，参考基因组需要构建索引

二.GEO数据下载的三种方式

一些生信包的概念：

1.Bioconductor：是一个用于生物信息学和生物统计学的开源软件项目，提供了丰富的 R 语言包和工具 用于处理和分析生物学数据。

1.1GEOquery：用于从(GEO) 数据库中获取实验数据

  1.1.1GEODataSet：提供了用于存储和处理生物学数据的基本类和函数。它包含 ExpressionSet 类型，用于表示基因表达数据

  1.2Biobase： 提供了用于存储和处理生物学数据的基本类和函数。它包含 ExpressionSet 类型， 用于表示基因表达数据。

     1.2.1ExpressionSet：GEODataSet 是 GEOquery 包中定义的对象，用于存储从 GEO 数据库中检 索的实验数据。它是一个通用的容器，可以包含多种类型的实验数据，不 仅限于基因表达数据

  一些数据结构概念： 1.exprs()用于ExpressionSet数据对象

1.主页下载原始数据

Download中的custom，不推荐，不一定能分析好

2.下载表达矩阵，read读取数据（读到的就是GSE42872_series_matrix.txt这个文件）

Download family中的Series Matrix File(s)，（注意可能显示下载完了但没下下来）可以使用命令读到R中(读到的是表达矩阵)：

#读到exprSet中，过滤！开头的数据 exprSet=read.table('GSE42872_series_matrix.txt.gz', sep = '\t',quote = "", fill = T, comment.char = "!",header = T) #设置列名 rownames(exprSet)=exprSet[,1] exprSet=exprSet[,-1]

3.在R中getGEO直接读GSE id号（读出来的是一个对象，对象里不仅包括Data，还包括其他信息）

先安装BiocManager包：

if(!requireNamespace('BiocManager',quietly = TRUE)) install.packages('BiocManager')

再用BiocManager包安装GEOquery包

BiocManager::install('GEOquery')

再根据GSE号下载数据

library(GEOquery) #导入GEOquey包 gset<-getGEO('GSE42872',destdir = ".")#使用包的getGEO命令下载数据

一个GEO可能有多个平台（platform，也就是芯片）

class(gset) #这就是为什么class(gset)是list，list对应平台，一个GEO如有几个平台，就会有几个list，通过gser[[x]]来查看第x个平台的数据

这里GSE42872数据集只有一个GPL，所以：

b = gset[[1]]#把第一个（也是唯一一个）数据框拿出来。gset 是一个 GEODataSet 对象 exprSet = exprs(b)#用exprs函数从数据集（这里的数据集是gset中的第一个数据集，他是一个ExpressionSet 对象）中提取表达矩阵