零基础入门转录组分析——数据处理（GEO数据库——高通量测序数据）

零基础入门转录组分析——数据处理（GEO数据库——高通量测序数据）

目录

• 零基础入门转录组分析——数据处理（GEO数据库——高通量测序数据）
• • 1. 数据集获取
  • 2. 数据处理（Rstudio）
  • 3. 数据标准化（Rstudio）
  • 注：配套资源只要改个路径就能运行，本人已检测过可以跑通，请放心食用，食用过程遇到问题，可先自行百度，实在解决不了可以私信

    ---

    ---

    GEO数据库全称GENE EXPRESSION OMNIBUS，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，收录了世界各国研究机构提交的高通量基因表达数据，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。

    并且GEO网站这个网站作为各种高通量实验数据的公共存储库。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。可以按照文献数据集编号等众多形式进行检索。但是在这篇教程中仅介绍如何从GEO网站上根据数据集编号下载所需要的GEO数据集，并且下载后在R中对数据集进一步处理成后续分析所要的形式。

    ---

    ---

    本项目以妊娠期糖尿病GSE154414数据集(高通量测序数据)作为展示
    选用的数据库是GEO。
    实验分组：疾病组，对照组。
    我这里使用的R版本是4.2.2
    要用到的R包：tidyverse，GEOquery
    

    1. 数据集获取

    首先进入GEO网站官网（如下图所示），在检索位置输入数据集编号，点击箭头指向的位置进一步运行搜索。

    

    搜索之后会弹出如下界面：首先需要检查物种类型（Homo sapiens），之后查看数据集的类型是否是高通量测序/芯片数据，我这里是高通量测序数据（Expression profiling by high throughput sequencing），页面往下拉。

    

    如下图所示：包含了该数据集对应的注释文件GPL20301，并且还列出来了数据集中包含的样本。

    注：但是注释信息可以不用过多的关注，因为后续分析用不到，样本数量可以大致瞅一眼

    

    到此对于该数据集已经有了初步了解（实际上就是看是不是高通量测序数据），如果是高通量测序数据就按照下面的操作进行，如果是芯片数据，可以参考之前的教程零基础入门转录组分析——数据处理（GEO数据库——芯片数据）

    2. 数据处理（Rstudio）

    rm(list = ls()) # 删除工作空间中所有的对象
    setwd('/XX/XX/XX') # 设置工作路径
    if(!dir.exists('./00_rawdata')){
      dir.create('./00_rawdata')
    } # 判断该工作路径下是否存在名为00_rawdata的文件夹，如果不存在则创建，如果存在则pass
    setwd('./00_rawdata/') # 设置路径到刚才新建的00_rawdata下
    

    加载包：

    library(GEOquery)
    library(tidyverse)
    

    标注一下需要下载的数据集编号，并且在当前00_rawdata文件夹下创建一个名为GSE154414的文件夹（这是为了方便管理，如果不单独创建文件夹，数据集很多的话，就会显得很乱）

    GEO_data 
      dir.create(paste0(GEO_data))
    }
    setwd(paste0(GEO_data))
    
      N  
      expr_fpkm[which(expr_fpkm 
      print("log2 transform not needed")
    }