数字化转型网数据专题将关注数据治理、数据质量管理、数据架构、主数据管理、数据仓库、元数据管理、数据备份、数据挖掘、数据分析、数据安全、大数据、数据合规、等数据相关全产业链相关环节。
一、流程思路
1. 明确研究目标
在开始分析之前，首先要明确自己的研究问题。是想探索某种疾病的基因表达特征，还是分析药物处理对基因表达的影响？明确目标可以帮助你快速筛选合适的数据。数字化转型网www.szhzxw.cn
2.寻找数据
进入GEO数据库，使用关键词搜索感兴趣的GSE编号。例如，输入“gastric carcinoma RNA-seq”或特定疾病关键词，筛选出符合研究需求的实验数据。
3.下载数据
确定GSE编号后，进入对应的页面下载数据。下载时一般包括：
表达数据：基因在不同样本中的表达值，用于差异表达分析。数字化转型网www.szhzxw.cn
临床数据：样本的元信息，如实验条件、疾病状态等，用于分组和注释。
4.数据分析
下载的数据需要经过一定的预处理和分析，常见步骤包括：
质控：检查数据的完整性和质量，确保数据可以用于后续分析。
分组：根据实验设计，将样本分为不同的组（如治疗组和对照组）。
初步分析：通过热图、主成分分析（PCA）等方法观察样本之间的差异和分组效果。
5.差异表达分析及可视化
找出在不同条件下显著差异表达的基因（差异基因）。常用指标包括：
log2FC：基因表达量的倍数变化（对数值）。
padj：调整后的显著性p值，评估差异的显著性。可视化结果通常包括：
火山图：展示基因的显著性和表达变化。数字化转型网www.szhzxw.cn
热图：展示差异基因的表达模式，直观比较样本之间的相似性。
6.功能富集分析
对差异基因进行功能富集分析，探索它们在生物学过程和通路中的意义：
GO分析：揭示差异基因在生物学过程、分子功能和细胞组分中的分布。
KEGG通路分析：识别差异基因富集的信号通路，帮助理解生物学背景。
7.结果验证与结论
最后，通过实验或已有文献验证结果，确保分析结论可靠。
二、GEO数据库的介绍
主要类型的数据
单细胞RNA-seq数据（scRNA-seq）
RNA-seq数据
miRNA表达数据
ChIP-seq数据
……
数据组织结构
在GEO数据库中，数据的组织结构是非常清晰的，主要包括以下几个部分：
GEO Series (GSE)GSE代表整个实验的元数据和汇总数据，通常包含实验的基本信息、样本描述以及相关的基因表达数据。我们通常下载的是GSE数据，它包含了多个GSM数据。
GEO Samples (GSM)GSM表示一个特定的生物样本。每个GSM包含有关样本的详细信息，如来源、生物学特征、处理方式等。GSE数据集会包含多个GSM数据。数字化转型网www.szhzxw.cn
GEO Datasets (GDS)GDS是一个数据集合，包含多个GSE和/或GSM。这些数据通常用于规模比较大的分析或跨实验比较。
GEO Platform (GPL)GPL描述了用于收集数据的基因芯片或测序平台的记录。它提供了平台的技术规格和相关注释。
通常来说，GSE是我们经常下载的核心数据，它包含了多个GSM（样本）数据，用于我们进行后续数据分析。
三、数据下载（以RNA-seq为例）
在GEO数据库中，下载数据是研究分析的第一步。根据你的研究需求，通常会选择RNA-seq数据来进行分析。下面是如何从GEO下载数据的步骤：
访问GEO数据库首先，打开GEO官网，在搜索框中输入你感兴趣的研究关键词，比如“RNA-seq”或特定的疾病名称。例如，可以输入“GSE84402”来查找。数字化转型网www.szhzxw.cn
选择合适的GSE数据集在搜索结果中，找到符合你研究需求的GSE数据集。点击进入数据集页面，你会看到关于该实验的详细描述，包括平台信息、样本描述、实验设计等。对于RNA-seq数据，我们选择下载“Series Matrix File”，它包含了经过标准化的基因表达矩阵。
四、代码实现下载数据并整理数据
1. 下载GEO数据（第二种下载方式，通过代码方式）
首先，我们需要从GEO数据库中下载数据。假设我们感兴趣的RNA-seq数据集编号是GSE84402，这是一项肝细胞癌（HCC）相关的研究。我们将使用R包GEOquery来下载数据。
# 新建一个 GSE84402_geo.R 脚本文件
# 加载必要的R包
library(GEOquery)
library(limma) # library(stringr)
# 下载GSE84402数据集，指定下载目录为当前工作目录数字化转型网www.szhzxw.cn
gset = getGEO(‘GSE84402’, destdir=”.”, AnnotGPL = F, getGPL = F)
在这段代码中，我们使用getGEO()函数下载了指定的GSE数据集。destdir参数指定了数据下载到的目录，AnnotGPL和getGPL设置为FALSE表示我们不下载平台注释文件和平台信息。class(gset)可以帮助我们检查下载的数据结构。
2. 获取样本分组信息
下载的数据通常包括多个样本，我们需要从元数据中提取样本的分组信息，例如肿瘤组和正常组。
# 提取样本的元数据数字化转型网www.szhzxw.cn
pdata <- pData(gset[[1]])
# 查看样本来源
table(pdata$source_name_ch1)
这里我们通过pData()函数提取了样本的元数据。pdata$source_name_ch1包含了每个样本的来源信息，例如肝细胞癌（hepatocellular carcinoma）和正常肝脏。table()函数展示了各组样本的数量分布。
接下来，我们根据样本的来源信息，创建一个新的分组变量：
# 使用字符串匹配方法设置分组
group_list <- ifelse(str_detect(pdata$source_name_ch1, “hepatocellular carcinoma”), “tumor”, “normal”)
# 将分组信息转换为因子型变量
group_list = factor(group_list, levels = c(“normal”, “tumor”))数字化转型网www.szhzxw.cn
在这段代码中，我们使用str_detect()函数检查样本的来源名称，如果样本来源中包含“hepatocellular carcinoma”，则该样本为“tumor”组，否则为“normal”组。factor()函数将分组信息转化为因子型变量，方便后续分析。
3. 获取基因表达矩阵并进行标准化
基因表达矩阵是数据分析的基础。我们通过exprs()函数提取了表达矩阵，并通过箱线图查看数据分布。接下来，我们使用limma包对数据进行标准化处理。
# 提取基因表达矩阵
exp <- exprs(gset[[1]])
# 绘制原始表达数据的箱线图，检查样本间的差异
boxplot(exp, outline=FALSE, notch=T, col=group_list, las=2)
dev.off()
这段代码中，我们首先提取了原始的基因表达矩阵exp，并使用boxplot()函数绘制了一个箱线图，展示不同组（肿瘤组和正常组）样本的基因表达分布情况。
接下来，我们使用limma包对数据进行标准化，以去除不同样本间的批次效应：
# 使用limma包进行数据标准化
exp = normalizeBetweenArrays(exp)数字化转型网www.szhzxw.cn
# 绘制标准化后的表达数据箱线图
boxplot(exp, outline=FALSE, notch=T, col=group_list, las=2)
dev.off()
normalizeBetweenArrays()函数会对基因表达矩阵进行标准化，确保不同样本之间的表达量具有可比性。标准化后，我们再次绘制了箱线图，检查数据是否均匀分布。
4. 数据变换（log2转换）
为了使数据更加适合后续的差异表达分析，我们对表达数据进行log2变换，以减少高表达基因对整体分析的影响。
# 对表达矩阵进行log2转换
exp <- log2(exp + 1)数字化转型网www.szhzxw.cn
# 查看转换后的数据范围
range(exp)
通过log2(exp + 1)对表达矩阵进行了log2转换，确保数据没有零值。变换后的数据范围也变得更加适合后续的分析和可视化。
5. 基因ID转换
GEO数据集中的基因ID通常是probe ID，但为了更容易理解和后续分析，我们需要将其转换为基因的symbol。我们使用hgu133plus2.db包进行ID转换。
# 安装并加载hgu133plus2.db包
if(!require(“hgu133plus2.db”))数字化转型网www.szhzxw.cn
BiocManager::install(“hgu133plus2.db”)
library(hgu133plus2.db)
# 获取平台的基因ID到symbol的映射表
ids <- toTable(hgu133plus2SYMBOL)
# 查看部分ID转换结果
head(ids)
在这里，我们通过toTable(hgu133plus2SYMBOL)获取了probe ID与基因symbol的对应关系。
接下来，我们将表达矩阵与ID转换表进行合并：数字化转型网www.szhzxw.cn
# 将表达矩阵转换为数据框，并添加probe_id列
exp <- as.data.frame(exp)
exp <- exp %>% mutate(probe_id = rownames(exp))
# 合并ID转换信息
exp <- exp %>% inner_join(ids, by = “probe_id”)
# 删除重复的基因symbol
exp <- exp[!duplicated(exp$symbol),]
# 将基因symbol设置为行名
rownames(exp) <- exp$symbol
# 删除原始的probe_id和symbol列
exp <- exp[, -(29:30)]
通过inner_join()函数，我们将表达矩阵与ID转换表合并，确保每个基因只有一个表达值。之后，我们删除了重复的基因symbol，确保每个基因只有一行数据。数字化转型网www.szhzxw.cn
6.保存结果
最后，我们将处理后的基因表达矩阵保存为exp.txt文件，方便后续分析或进一步处理。
# 保存处理后的表达矩阵为txt文件
write.table(exp, file = “GSE84402_exp.txt”, sep = “\t”, row.names = T, col.names = NA, quote = F)
声明：本文来自网络，版权归作者所有。文章内容仅代表作者独立观点，不代表数字化转型网立场，转载目的在于传递更多信息。如有侵权，请联系我们。数字化转型网www.szhzxw.cn
数字化转型网数据专题包含哪些内容
数字化转型网数据专题将关注数据治理、数据质量管理、数据架构、主数据管理、数据仓库、元数据管理、数据备份、数据挖掘、数据分析、数据安全、大数据、数据合规、等数据相关全产业链相关环节。
数字化转型网数据专题包含： 数字化转型网（www.szhzxw.cn）
1、数据相关外脑支持：100+数据相关专家、100+数据实践者、1000+相关资料
2、数据研习社：与全球数据相关专家、实践者共同探讨相关问题，推动产业发展！
3、国际认证培训：目前已引进DAMA国际认证CDMP，其他国内外认证也在逐步引进中
4、典型案例参考：与数字化转型网数据要素X研习社社员一起学习典型案例，共探企业数据落地应用
本文由数字化转型网（www.szhzxw.cn）转载而成，来源于生信学长；编辑/翻译：数字化转型网Jack。
