芯片数据分析笔记【02】 | 芯片数据库

芯片数据分析笔记【01】 | 基因芯片的基本原理

---

比较大的芯片数据库 有美国 NCBI 的 GEO，欧洲 EMBL-EBI 的 ArrayExpress，日本 DDBJ 的 GEA，不过这个 GEA 直 接连接到 ArrayExpress，还有TCGA数据库中也有大量肿瘤芯片数据，不要误 以为 TCGA 全是测序数据。其中 GEO 是最大的芯片数据库，其次是 ArrayExpress。

1. GEO数据库简介

GEO，全称 Gene Expression Omnibus（基因表达综合数据库），是由美国国立生物技术信息中心NCBI创建并维护的基因表达数据库。它创建于2000年，收 录并整理了全球范围内研究工作者上传的微阵列芯片、二代测序以及其他形式的高通量基 因组数据，这些数据包括基于单通道和双通道微阵列的实验，检测mRNA，基因组DNA和蛋白质丰度，以及非阵列技术，如基因表达系列分析（SAGE），质谱蛋白质组学数据和高通量测序数据。也就是说只要是目前已经发表的论文，论文中涉及到的基因表达检测的数据都可以通过这个数据库中找到。关键是这个数据是免费的！随着芯片和测序技术的蓬勃发展和应用， 2000 年美国国立生 物技术信息中心, NCBI 创建了 GEO 并维护至今。2003 年到 2004 年 GEO 数据库逐渐开放供 研究者获取和分析， 2001 年到 2006 年， GEO 数据上传的规则，也就是 MIAME（The Minimum Information About a Microarray Experiment guidelines）逐渐形成并实行，并成为提交 芯片数据的全球规范。

地址：https://www.ncbi.nlm.nih.gov/geo/

GEO 数据库收录的数据类型有：

• 01）基因芯片或高通量测序的基因表达数据，包括 ncRNA

• 02）基因芯片或高通量测序的 ChIP 数据

• 03）基因芯片或高通量测序的基因组甲基化数据

• 04）高通量实时定量 PCR 的数据

• 05）微阵列比较基因组杂交技术（arrayCGH）的基因组变异数据

• 06）单核苷酸多态性（SNP）芯片数据

• 07）基因表达系列分析（SAGE）的数据

• 08）蛋白芯片数据

• 09）十几组大规模平行测序 MPSS 数据

• 10）十几组质谱 MS 数据

• 11）其他

2.ArrayExpress 数据库

NCBI 的基因表达综合数据库 GEO 和欧洲 生物信息学研究所(EBI)的 ArrayExpress 是芯片数据的两个主要公共数据库。尽管它们具 有不同的设计，但两个数据库都支持由 MIAME 定义的所有数据元素。因此 GEO 和 ArrayExpress 数据库及数据集结构十分相似，可以类比的学习。ArrayExpress 数据库在 2002 建立，开始收录芯片数据， 2008 年开始收录高通量测序数据，同样，近几年测序数据的增 长量逐渐超过芯片数据。ArrayExpress 是 GEO 数据的一个良好的补充。

目前【2021年8月27】有74700个实验的数据，2556953个芯片数据，60.91TB的存档数据，这都是在描述ArrayExpres数据库的数据量的大小。

ArrayExpres数据库的主页链接（https://www.ebi.ac.uk/arrayexpress/）