GEO数据挖掘（一）数据下载及基因ID转换

数据来源：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE54236

1.png

这个数据有161个样本，使用GPL6480平台。

rm(list = ls())
options(stringsAsFactors = F)

#安装GEOquery包：install.packages("GEOquery")
library(GEOquery)
#安装stringr包：install.packages("stringr")
library(stringr)  

Sys.setenv("VROOM_CONNECTION_SIZE"=1131072) #调高VROOM_CONNECTION_SIZE，不然下面步骤会报错
gset <- getGEO("GSE54236", destdir=".",AnnotGPL = F,getGPL = F)
a=gset[[1]] 
dat=exprs(a) 
dim(dat)
#[1] 41000   161
# 检查数据，判断需不需要取log，如果没有几百上千的数值，数值之间相差不大，就不需要取log值了。
dat[1:4,1:4]
#             GSM1310570 GSM1310571 GSM1310572 GSM1310573
#A_23_P100001      8.232      8.248      7.576      8.708
#A_23_P100011      5.998      6.079      5.695      6.653
#A_23_P100022      6.107      6.630      5.686      7.886
#A_23_P100056      6.718      7.630      7.410      5.762
pd=pData(a) #取出临床信息
head(pd)[,1:3]  # 发现title里面的内容可以用来分组
#                  title geo_accession                status
#GSM1310570 Tumor T_A_001    GSM1310570 Public on Jan 22 2014
#GSM1310571 Tumor T_B_003    GSM1310571 Public on Jan 22 2014
#GSM1310572 Tumor T_C_005    GSM1310572 Public on Jan 22 2014
#GSM1310573 Tumor T_D_007    GSM1310573 Public on Jan 22 2014
#GSM1310574 Tumor T_E_009    GSM1310574 Public on Jan 22 2014
#GSM1310575 Tumor T_F_011    GSM1310575 Public on Jan 22 2014
group_list=ifelse(grepl('Non',pd$title),'Normal','Tumor')
table(group_list)
#group_list
#Normal  Tumor 
#    80     81 

接下来下载GPL6480

gpl = getGEO('GPL6480',destdir = ".")
id_pre = gpl@dataTable@table
colnames(id_pre)    
#[1] "ID"                   "SPOT_ID"             
# [3] "CONTROL_TYPE"         "REFSEQ"              
# [5] "GB_ACC"               "GENE"                
# [7] "GENE_SYMBOL"          "GENE_NAME"           
# [9] "UNIGENE_ID"           "ENSEMBL_ID"          
#[11] "TIGR_ID"              "ACCESSION_STRING"    
#[13] "CHROMOSOMAL_LOCATION" "CYTOBAND"            
#[15] "DESCRIPTION"          "GO_ID"               
#[17] "SEQUENCE" 
ids2 = id_pre[,c("ID","GENE_SYMBOL")]   #只需要"ID","GENE_SYMBOL"这两列
colnames(ids2) = c("probe_id","symbol") #给这两列重新取名
head(ids2)
#      probe_id  symbol
#1 A_23_P100001 FAM174B
#2 A_23_P100011   AP3S2
#3 A_23_P100022    SV2B
#4 A_23_P100056  RBPMS2
#5 A_23_P100074    AVEN
#6 A_23_P100092 ZSCAN29
#接下来，使探针与基因symbol一一对应
ids=as.data.frame(ids2)
table(rownames(dat) %in% ids$probe_id)
# TRUE 
#41000
ids=ids[match(rownames(dat),ids$probe_id),] #将dat和ids两个数据框按probe_id对应
table(duplicated(ids$symbol))   #查看有多少个基因名有重复
#FALSE  TRUE 
#19596 21404 
ids=ids[!duplicated(ids$symbol),]
dat=dat[ids$probe_id,]
rownames(dat)=ids$symbol
dat[1:4,1:4]
#        GSM1310570 GSM1310571 GSM1310572 GSM1310573
#FAM174B      8.232      8.248      7.576      8.708
#AP3S2        5.998      6.079      5.695      6.653
#SV2B         6.107      6.630      5.686      7.886
#RBPMS2       6.718      7.630      7.410      5.762
save(dat,group_list,file = "GSE54236_download.Rdata")   #保存

表达矩阵准备好了，下面就可以开始做后面的分析了。

GEO数据挖掘

GEO数据挖掘（一）数据下载及基因ID转换

GEO数据挖掘（二）基因差异分析

GEO数据挖掘（三）使用DAVID数据库进行GO、KEGG富集分析

GEO数据挖掘（四）使用STRING数据库进行PPI分析