写在前面：本文为微信公众号:生信星球的数据挖掘线上班的随堂笔记，感谢小洁老师的付出！
GEO
- 1.热图：数值是数值型矩阵/数据框
- 2.箱线图：输入数据是一个数值型向量（数据）和一个有重复值的字符串向量（分组）
- 差异分析：
- p值：越小差异越显著
- P值越小，-log10(P value)越大，差异越显著
- logFC：实验组/对照组表达量差异倍数的log值。
logFC>0，基因表达量上调
logFC<0，基因表达量下调 - 上下调基因需要结合P值
- 上调基因需要结合两个标准——p和logFC，比如：logFC>1,P<0.01
- 3. 火山图——横坐标logFC，纵坐标-log10（P Value）
- 4. 主成分分析——利用降维思想聚类(综合指标)——PCA
GEO分析——利用基因表达量数据的差异分析和富集分析来解释生物学现象。
有差异的样本》差异基因》代谢通路/功能注释》解释差异的原理
GEO网页
- platform：用户测序平台（GPL）
- sample：样本数据（GSM）
- series：一个完整的研究，包括对研究/数据的描述及总结分析。（GSE）
基因表达芯片
- 通过探针表达量反应基因表达量
- 表达矩阵：行名为探针名，列名为样本编号（需要样本信息）
分析思路
查找GSE编号→下载数据（表达矩阵/临床信息-分组信息）→检查数据（分组之间是否有差异，参考PCA）→limma差异分析及可视化（P值/logFC→火山图热图）→富集分析KEGG/GO
DAVID不行，要用clusterprofeller
下载数据
- 数据格式：GSExxxxx_series_matrix.txt.gz
检查数据完整性
- GEOquery::getGEO#::表示显式的指令
- 将数据下载到工作目录
- 以对象的形式读入R
LIMMA包
- 本质上只是R包和函数
- 准备好需要输入的数据，写对参数
- 帮助文档
- limma包用于芯片差异分析
- 转录组要用专门的包包：limma（voom）、edgeR、Deseq2
芯片注释：探针与基因的对应关系
- 注释来源：GEO中GPL页面的表格（soft文件）
- Biocductor的注释包
- 官网下载
- 自主注释
- 一个探针对应多个探针（非特异性探针）→直接删除
- 多个探针对应同一个基因：去重复行
deg[!duplicated(deg$symbol),]