GEO數(shù)據(jù)挖掘

• 數(shù)據(jù)庫：GEO、NHANCE、TCGA、ICGC、CCLE、SEER等

• 數(shù)據(jù)類型：基因表達(dá)芯片、轉(zhuǎn)錄組、單細(xì)胞、突變、甲基化、拷貝數(shù)變異等等

• 

常見圖表

表達(dá)矩陣

• 一行為一個(gè)基因，一列為一個(gè)樣本，內(nèi)容是基因表達(dá)量。

熱圖

輸入數(shù)據(jù)是數(shù)值型矩陣/數(shù)據(jù)框

顏色變化表示數(shù)值大小

• Complexheatmap：自行探索~可以定義某些需要標(biāo)注的基因。

散點(diǎn)圖和箱線圖

1. 數(shù)據(jù)要求：xy軸分別為一個(gè)連續(xù)型向量和一個(gè)有重復(fù)值的離散型向量（分類向量）

2. 數(shù)據(jù)意義：箱線圖會(huì)刪除離群點(diǎn)

   

3. 意義：單個(gè)基因在兩組之間的表達(dá)量差異

   矩陣/數(shù)據(jù)框中無法直接添加分組信息，因此需要一個(gè)單獨(dú)向量來說明樣本的分組信息。

   

火山圖

1. 意義：展示多個(gè)基因在兩組間的表達(dá)量差異

2. 橫坐標(biāo)：FC(Foldchange) 處理組平均值/對(duì)照組平均值；logFC（log2Foldchange）

   • 芯片差異分析的起點(diǎn)是一個(gè)取過log的表達(dá)矩陣，如果未取log需要自行l(wèi)og

     

3. 理解logFC：log2(X/Y)=log2(x)-log2(y)

   • log后的表達(dá)矩陣：表達(dá)量在0-24之間。
   • 未log的表達(dá)矩陣，表達(dá)量在0，10，100，1000…
   • logFC的正常范圍：個(gè)位數(shù)居多。

4. logFC>0，treat>control，基因表達(dá)量上升；logFC<0，treat<control，基因表達(dá)量下降。通常說的上調(diào)和下調(diào)基因是指表達(dá)量顯著上升下降的基因。

5. logFC常見的閾值：1/2/1.2/1.5/2.2/0.585[log2(1.5)]；需要根據(jù)情況取值。

   

6. 縱坐標(biāo)：P.Value→log10(P.Value)→-log10(P.Value)

   

主成分分析

1. PCA：主成分，把多個(gè)指標(biāo)轉(zhuǎn)換成少數(shù)綜合指標(biāo)（主成分）來代表樣本。代表樣本的點(diǎn)在坐標(biāo)軸上距離越遠(yuǎn)，說明樣本差異越大。

2. PCA樣本聚類圖：dim1/dim2中數(shù)字不重要（盡量大）。

• 圖上點(diǎn)代表樣本（中心點(diǎn)除外），點(diǎn)與點(diǎn)之間距離代表樣本差異。

3. 可以用于“預(yù)實(shí)驗(yàn)”，簡(jiǎn)單看組間是否有差別。

表達(dá)芯片分析思路

表達(dá)數(shù)據(jù)實(shí)驗(yàn)設(shè)計(jì)

1. 實(shí)驗(yàn)?zāi)康?#xff1a;通過基因表達(dá)量數(shù)據(jù)的差異分析和富集分析來解釋生物學(xué)現(xiàn)象。
   • 設(shè)計(jì)實(shí)驗(yàn)組和對(duì)照組
2. 有差異的材料→差異基因→找功能→解釋差異，縮小差異范圍。

基因表達(dá)芯片

探針的表達(dá)量代表基因的表達(dá)量

探針根據(jù)要測(cè)量的基因設(shè)計(jì)，是一段與基因互補(bǔ)雜交的短核苷酸序列。探針和序列綁定，不和基因綁定。

數(shù)據(jù)庫介紹

1. GEO數(shù)據(jù)庫

   • GEO工具：GEO2R，可以導(dǎo)入代碼進(jìn)入R修改。

2. Series：用戶提交給數(shù)據(jù)庫一個(gè)完整的研究，包括其樣本數(shù)據(jù)(GSM)，包含提供研究描述，包括對(duì)數(shù)據(jù)描述并總結(jié)分析(GSE)。

3. GEO數(shù)據(jù)集篩選

   表達(dá)芯片數(shù)據(jù)：Expression profiling by array

   單細(xì)胞/普通轉(zhuǎn)錄組（高通量測(cè)序）：Expression profiling by high throughput sequencing

4. GSE界面：GPL（平臺(tái)）中看ID和Symbol Gene；GSM（樣本）中看表達(dá)量是否正常、是否需要取log等。

分析思路

1. 找數(shù)據(jù)，找到GSE編號(hào)
   • GEO數(shù)據(jù)庫中檢索
   • 文獻(xiàn)中查找GSE編號(hào)
2. 下載數(shù)據(jù)：表達(dá)矩陣、臨床信息（分組信息）、GPL編號(hào)（探針注釋）
   • 網(wǎng)頁中點(diǎn)選下載
   • 代碼下載（推薦）
3. 數(shù)據(jù)探索：分組之間是否有差異、PCA、熱圖（方差排名靠前的1k個(gè)基因）
4. 差異分析和可視化：P值、logFC；火山圖、熱圖
5. 富集分析：KEGG、GO

表達(dá)矩陣

以分組為單位說問題，而不是以樣本為單位

代碼分析流程

安裝R包

下載數(shù)據(jù)

library(GEOquery)
eSet = getGEO("GSE7305", destdir = '.', getGPL = F)##探索eSet
class(eSet)
##[1] "list"
length(eSet)
##[1] 1
eSet = eSet[[1]]     ##將list解開
class(eSet)          ##是一種特殊的數(shù)據(jù)類型，可以從幫助文檔中找到詳細(xì)說明。出自Biobase包
##[1] "ExpressionSet"
##attr(,"package")
##[1] "Biobase"

提取表達(dá)矩陣

exp <- exprs(eSet)    ##提取表達(dá)矩陣
dim(exp)              ##查看數(shù)據(jù)屬性
range(exp)            ##查看數(shù)據(jù)范圍，決定是否需要取log，是否有負(fù)值
##[1]     5.020951 22011.934000       ##這樣的數(shù)據(jù)就需要取log
exp = log2(exp+1)     ##取log
boxplot(exp,las = 2)  ##檢查數(shù)據(jù)情況

• 有異常樣本：1. 刪掉異常樣本；2. limma包的標(biāo)準(zhǔn)化函數(shù)拉齊。
• 負(fù)值：log后少量負(fù)值可以接受，log前有負(fù)值或一半都是負(fù)值（標(biāo)準(zhǔn)化）棄用。
• 如果logFC在2-4之間，有可能取了2次log

提取臨床信息

pd <- pData(eSet)       ##包含分組信息

讓表達(dá)矩陣和臨床信息順序匹配

p = identical(rownames(pd),colnames(exp));p    ##判斷是否對(duì)應(yīng)if(!p) {                                       ##如果不對(duì)應(yīng)，運(yùn)行s = intersect(rownames(pd),colnames(exp))   exp = exp[,s]pd = pd[s,]
}

提取芯片平臺(tái)編號(hào)

gpl_number <- eSet@annotation;gpl_number        ##等同于網(wǎng)頁查找
save(pd,exp,gpl_number,file = "step1output.Rdata")  ##保存數(shù)據(jù)

• 原始數(shù)據(jù)處理方法（有時(shí)間再整理吧~）：https://mp.weixin.qq.com/s/0g8XkhXM3PndtPd-BUiVgw

引用自生信技能樹課程~ 給小潔老師比心~