GEO生信数据挖掘（五）提取临床信息构建分组，分组数据可视化（绘制层次聚类图，绘制PCA图）

检索到目标数据集后，开始数据挖掘，本文以阿尔兹海默症数据集GSE1297为例

上节做了很多的基因数据清洗（离群值处理、低表达基因、归一化、log2处理）操作，本节介绍构建临床分组信息。

我们已经学习了提取表达矩阵的临床信息

# 安装并加载GEOquery包
library(GEOquery)

# 指定GEO数据集的ID
gse_id <- "GSE1297"

# 使用getGEO函数获取数据集的基础信息
gse_info <- getGEO(gse_id, destdir = ".", AnnotGPL = FALSE ,getGPL = F)


#提取临床信息 方法一：$或者@ ，配合str()观察结构
pdata = gse_info$GSE1297_series_matrix.txt.gz@phenoData@data

临床信息预处理

提取出关键的两列

#构建样本分组信息
group_data = pdata[,c('geo_accession','title')]

本例中的疾病和对比组的标识比较复杂，要考虑剔除数字，还要考虑做2分类还是4分类。

字符串处理二分类

# 使用grepl函数判断字符串是否包含'abc'，并进行相应的修改
group_data$group_easy <- ifelse(grepl("Control", group_data$title), "Control", "AD")

字符串处理四分类

# 使用grepl函数判断字符串是否包含特定内容，然后进行相应的修改
group_data$group_more <- ifelse(grepl("Control", group_data$title), "Control",
                                      ifelse(grepl("Moderate", group_data$title), "Moderate",
                                             ifelse(grepl("Incipient", group_data$title), "Incipient","Severe")))

处理后的结果，无需调整分组信息的顺序，让AD在一堆，Control在一堆，现在的<临床信息表的行索引GSM顺序>与<基因表达信息表的列索引GSM顺序> 是一致的。

需要的分组信息已经提取完毕。

分组后箱线图可视化

上一节保存了数据清洗后的基因表达矩阵，加载进来，为了使用简单boxplot画图，我们又增加了一列区分不同样本类型的颜色。

#加载基因表达矩阵
load("exprSet_clean_75percent_filter.RData")  #exprSet_clean

# 使用grepl函数判断字符串是否包含'Control'，并进行颜色标记，为画图
group_data$group_color <- ifelse(grepl("Control", group_data$title), "yellow", "blue")

#(3)画箱线图查看数据分布

group_list_color = group_data$group_color 
boxplot( data.frame(exprSet_clean),outline=FALSE,notch=T,col=group_list_color,las=2)

分组后层次聚类图可视化

exprSet =exprSet_clean
#修改GSM的名字，改为分组信息
colnames(exprSet)=paste(group_data$group_easy,1:ncol(exprSet),sep = '')


#定义nodePar
nodePar=list(lab.cex=0.6,pch=c(NA,19),cex=0.7,col='blue')
#聚类
hc=hclust(dist(t(exprSet))) #t()的意思是转置

#绘图
plot(as.dendrogram(hc),nodePar = nodePar,horiz = TRUE)

分两类好像看不太出来，聚类的好坏，我们又观察了分四类后的聚类情况，效果不错。

聚类的效果还不错，没有特别别扭的分类。

分组后PCA图可视化

由于样本量比较少，看起来，两类样本，在空间上还算分的比较开。（后期可以把轻微症状放到Control组，做测试看看效果。）

至此为止，临床信息预处理工作完毕，基因表达数据预处理工作完毕，最让人头疼的工作结束。

最后别忘了保存一下根据临床数据构建的分组信息，后面的差异分析要用哦