GEO数据库获取基因表达数据

前言

生物信息学研究中生物信息扮演着重要的角色。其中基因表达矩阵数据使用的频率非常的高，本文介绍如何在GEO数据库中获取相关的基因表达数据并做相关处理，这里以肺癌为例。

一、数据获取

1.通过NCBI官网进入GEO（https://www.ncbi.nlm.nih.gov/）；

---

2.实验的详细信息：这部分主要关注平台信息，样本信息和表达数据

---

3.下载相关数据时，可以直接在这里下载，分别为样本表达数据和平台信息数据，在网站中分别为Series Matrix File和平台信息里的table

---

二、数据处理

1.下载样本的探针的表达数据和平台中探针和基因的对应信息后，需要通过脚本或者EXCEL处理得到基因的表达数据，后期还要处理数据中的冗余数据等十分的麻烦，这里不详细介绍，还是推荐利用R语言直接获取，具体方法见R语言获取GEO表达数据。

2.数据中存在多个探针对应一个基因的情况，故需要一个基因的所有表达数据统计出来作为该基因的表达水平，一般取均值，当然也可以根据需要取最大（最小）值。这一功能利用简单的python代码实现。代码和数据如下。

import pandas as pd
df = pd.read_excel('expree_data.xlsx', sheet_name='Sheet1')
df1 = df.groupby('Gene.symbol').mean() #
df1.to_excel('expree_data_x.xlsx')