健明大神說過若是想學(xué)會使用R包阵具，就去看那個包的說明書橡淑，因此去學(xué)習(xí)了GEOquery包說明書匣摘。翻譯不當(dāng)之處請去看原文。
文章來源：
http://www.bioconductor.org/packages/release/bioc/html/GEOquery.html
http://www.bioconductor.org/packages/release/bioc/vignettes/GEOquery/inst/doc/GEOquery.html
備注：
GEO Platform (GPL) 芯片平臺
GEO Sample (GSM) 樣本ID號
GEO Series (GSE) study的ID號
GEO Dataset (GDS) 數(shù)據(jù)集的ID號
使用GEOquery包
肖恩戴維斯
2014年9月21日
- 1 GEO概述
- 2使用GEOquery入門
- 3 GEOquery數(shù)據(jù)結(jié)構(gòu)
- 4轉(zhuǎn)換為BioConductor ExpressionSets和limma MALists
- 5從GEO訪問原始數(shù)據(jù)
- 6個用例
- 7結(jié)論
- 8會話信息
1 GEO概述
NCBI Gene Expression Omnibus（GEO）作為各種高通量實驗數(shù)據(jù)的公共存儲庫。這些數(shù)據(jù)包括基于單通道和雙通道微陣列的實驗稚叹，檢測mRNA焰薄，基因組DNA和蛋白質(zhì)豐度，以及非陣列技術(shù)扒袖，如基因表達(dá)系列分析（SAGE）塞茅，質(zhì)譜蛋白質(zhì)組學(xué)數(shù)據(jù)和高通量測序數(shù)據(jù)。
在GEO最基本的組織層面季率，有四種基本實體類型野瘦。前三個（樣本，平臺和系列）由用戶提供; 第四飒泻，數(shù)據(jù)集由GEO工作人員根據(jù)用戶提交的數(shù)據(jù)進行編譯和策劃鞭光。相關(guān)更多信息啊掏，請參閱GEO主頁。
1.1 平臺
平臺記錄描述陣列上的元件列表（例如衰猛，cDNA迟蜜，寡核苷酸探針組，ORF啡省，抗體）或可在該實驗中檢測和定量的元件列表（例如娜睛，SAGE標(biāo)簽，肽）卦睹。每個平臺記錄都分配有唯一且穩(wěn)定的GEO登錄號（GPLxxx）畦戒。平臺可以引用多個提交者提交的許多樣本。
1.2 樣品
樣品記錄描述了處理單個樣品的條件结序，它經(jīng)歷的操作以及從中得到的每個元素的豐度測量障斋。每個樣品記錄都分配有唯一且穩(wěn)定的GEO登錄號（GSMxxx）。Sample實體必須僅引用一個Platform徐鹤，可以包含在多個Series中垃环。
1.3 系列
系列記錄定義了一組被認(rèn)為是組的一部分的相關(guān)樣本，樣本如何相關(guān)返敬，以及它們是否以及如何排序遂庄。A系列提供了整個實驗的焦點和描述。系列記錄還可能包含描述提取數(shù)據(jù)劲赠，摘要結(jié)論或分析的表格涛目。每個系列記錄都分配有唯一且穩(wěn)定的GEO登記號（GSExxx）。系列記錄有幾種格式凛澎，由GEOquery獨立處理霹肝。較小的和新的GSEMatrix文件解析起來非常快; GEOquery使用一個簡單的標(biāo)志來選擇使用GSEMatrix文件（見下文）塑煎。
1.4 數(shù)據(jù)集
GEO DataSet（GDSxxx）是GEO樣本數(shù)據(jù)的精選集合沫换。GDS記錄代表了一系列具有生物學(xué)和統(tǒng)計學(xué)意義的GEO樣本，構(gòu)成了GEO數(shù)據(jù)顯示和分析工具套件的基礎(chǔ)轧叽。GDS中的樣本指的是同一個平臺苗沧，也就是說，它們共享一組共同的探測元素炭晒。假設(shè)GDS中每個樣本的值測量值以等效方式計算待逞，即背景處理和標(biāo)準(zhǔn)化等考慮因素在整個數(shù)據(jù)集中是一致的。通過GDS子集提供反映實驗設(shè)計的信息网严。
2 使用GEOquery入門
從GEO獲取數(shù)據(jù)非常簡單识樱。只需要一個命令，getGEO。這一函數(shù)解釋其輸入以確定如何從GEO獲取數(shù)據(jù)怜庸，然后將數(shù)據(jù)解析為有用的R數(shù)據(jù)結(jié)構(gòu)当犯。用法很簡單。這會加載GEOquery庫割疾。
library(GEOquery)
現(xiàn)在嚎卫，我們可以自由訪問任何GEO加入。請注意宏榕，在下面拓诸，我使用與GEOquery包一起打包的文件。通常麻昼，您將僅使用GEO加入奠支，如代碼注釋中所述。
# If you have network access, the more typical way to do this
# would be to use this:
# gds <- getGEO("GDS507")
gds <- getGEO(filename=system.file("extdata/GDS507.soft.gz",package="GEOquery"))
現(xiàn)在抚芦，gds包含GDS代表GEO的GDS507條目的R數(shù)據(jù)結(jié)構(gòu)（類）倍谜。您會注意到用于存儲下載的文件名已輸出到屏幕（但不保存在任何地方），以便以后用于調(diào)用getGEO(filename=...)叉抡。
我們可以對任何其他GEO加入進行相同的操作尔崔，例如GSM11805GEO樣本。
# If you have network access, the more typical way to do this
# would be to use this:
# gds <- getGEO("GSM11805")
gsm <- getGEO(filename=system.file("extdata/GSM11805.txt.gz",package="GEOquery"))
3 GEOquery數(shù)據(jù)結(jié)構(gòu)
GEOquery數(shù)據(jù)結(jié)構(gòu)實際上有兩種形式卜壕。第一個您旁，包含GDS烙常，GPL和GSM所有行為相似轴捎，訪問者對每個都有類似的影響。第四個GEOquery數(shù)據(jù)結(jié)構(gòu)蚕脏，GSE是由對象GSM和GPL對象組合而成的復(fù)合數(shù)據(jù)類型侦副。首先解釋前三個。
3.1 GDS驼鞭，GSM和GPL類
這些類中的每一個都包含一個元數(shù)據(jù)頭（幾乎從SOFT格式標(biāo)題中逐字逐句）和一個GEODataTable秦驯。GEODataTable有兩個簡單的部分，一個Columns部分挣棕，用于描述Table部分的列標(biāo)題译隘。show每個班級還有一種方法。例如洛心，使用上面的gsm：
# Look at gsm metadata:
head(Meta(gsm))
## $channel_count
## [1] "1"
##
## $comment
## [1] "Raw data provided as supplementary file"
##
## $contact_address
## [1] "715 Albany Street, E613B"
##
## $contact_city
## [1] "Boston"
##
## $contact_country
## [1] "USA"
##
## $contact_department
## [1] "Genetics and Genomics"
# Look at data associated with the GSM:
# but restrict to only first 5 rows, for brevity
Table(gsm)[1:5,]
## ID_REF VALUE ABS_CALL
## 1 AFFX-BioB-5_at 953.9 P
## 2 AFFX-BioB-M_at 2982.8 P
## 3 AFFX-BioB-3_at 1657.9 P
## 4 AFFX-BioC-5_at 2652.7 P
## 5 AFFX-BioC-3_at 2019.5 P
# Look at Column descriptions:
Columns(gsm)
## Column
## 1 ID_REF
## 2 VALUE
## 3 ABS_CALL
## Description
## 1
## 2 MAS 5.0 Statistical Algorithm (mean scaled to 500)
## 3 MAS 5.0 Absent, Marginal, Present call with Alpha1 = 0.05, Alpha2 = 0.065
在GPL類的行為完全一樣的GSM類固耘。但是，GDS該類具有與該Columns方法相關(guān)的更多信息：
Columns(gds)[,1:3]
## sample disease.state individual
## 1 GSM11815 RCC 035
## 2 GSM11832 RCC 023
## 3 GSM12069 RCC 001
## 4 GSM12083 RCC 005
## 5 GSM12101 RCC 011
## 6 GSM12106 RCC 032
## 7 GSM12274 RCC 2
## 8 GSM12299 RCC 3
## 9 GSM12412 RCC 4
## 10 GSM11810 normal 035
## 11 GSM11827 normal 023
## 12 GSM12078 normal 001
## 13 GSM12099 normal 005
## 14 GSM12269 normal 1
## 15 GSM12287 normal 2
## 16 GSM12301 normal 3
## 17 GSM12448 normal 4
3.2 GSE內(nèi)容
該GSE實體是GEO實體中最混亂的词身。GSE條目可以表示在任意數(shù)量的平臺上運行的任意數(shù)量的樣本厅目。該GSE班有一個元數(shù)據(jù)部分，就像其他類。但是损敷，它沒有GEODataTable葫笼。相反，它包含兩個列表拗馒，可以使用GPLList和GSMList方法訪問路星，每個列表都包含對象GPL和列表GSM。舉個例子：
# Again, with good network access, one would do:
# gse <- getGEO("GSE781",GSEMatrix=FALSE)
gse <- getGEO(filename=system.file("extdata/GSE781_family.soft.gz",package="GEOquery"))
head(Meta(gse))
## $contact_address
## [1] "715 Albany Street, E613B"
##
## $contact_city
## [1] "Boston"
##
## $contact_country
## [1] "USA"
##
## $contact_department
## [1] "Genetics and Genomics"
##
## $contact_email
## [1] "mlenburg@bu.edu"
##
## $contact_fax
## [1] "617-414-1646"
# names of all the GSM objects contained in the GSE
names(GSMList(gse))
## [1] "GSM11805" "GSM11810" "GSM11814" "GSM11815" "GSM11823" "GSM11827"
## [7] "GSM11830" "GSM11832" "GSM12067" "GSM12069" "GSM12075" "GSM12078"
## [13] "GSM12079" "GSM12083" "GSM12098" "GSM12099" "GSM12100" "GSM12101"
## [19] "GSM12105" "GSM12106" "GSM12268" "GSM12269" "GSM12270" "GSM12274"
## [25] "GSM12283" "GSM12287" "GSM12298" "GSM12299" "GSM12300" "GSM12301"
## [31] "GSM12399" "GSM12412" "GSM12444" "GSM12448"
# and get the first GSM object on the list
GSMList(gse)[[1]]
## An object of class "GSM"
## channel_count
## [1] "1"
## comment
## [1] "Raw data provided as supplementary file"
## contact_address
## [1] "715 Albany Street, E613B"
## contact_city
## [1] "Boston"
## contact_country
## [1] "USA"
## contact_department
## [1] "Genetics and Genomics"
## contact_email
## [1] "mlenburg@bu.edu"
## contact_fax
## [1] "617-414-1646"
## contact_institute
## [1] "Boston University School of Medicine"
## contact_name
## [1] "Marc,E.,Lenburg"
## contact_phone
## [1] "617-414-1375"
## contact_state
## [1] "MA"
## contact_web_link
## [1] "http://gg.bu.edu"
## contact_zip/postal_code
## [1] "02130"
## data_row_count
## [1] "22283"
## description
## [1] "Age = 70; Gender = Female; Right Kidney; Adjacent Tumor Type = clear cell; Adjacent Tumor Fuhrman Grade = 3; Adjacent Tumor Capsule Penetration = true; Adjacent Tumor Perinephric Fat Invasion = true; Adjacent Tumor Renal Sinus Invasion = false; Adjacent Tumor Renal Vein Invasion = true; Scaling Target = 500; Scaling Factor = 7.09; Raw Q = 2.39; Noise = 2.60; Background = 55.24."
## [2] "Keywords = kidney"
## [3] "Keywords = renal"
## [4] "Keywords = RCC"
## [5] "Keywords = carcinoma"
## [6] "Keywords = cancer"
## [7] "Lot batch = 2004638"
## geo_accession
## [1] "GSM11805"
## last_update_date
## [1] "May 28 2005"
## molecule_ch1
## [1] "total RNA"
## organism_ch1
## [1] "Homo sapiens"
## platform_id
## [1] "GPL96"
## series_id
## [1] "GSE781"
## source_name_ch1
## [1] "Trizol isolation of total RNA from normal tissue adjacent to Renal Cell Carcinoma"
## status
## [1] "Public on Nov 25 2003"
## submission_date
## [1] "Oct 20 2003"
## supplementary_file
## [1] "ftp://ftp.ncbi.nih.gov/pub/geo/DATA/supplementary/samples/GSM11nnn/GSM11805/GSM11805.CEL.gz"
## title
## [1] "N035 Normal Human Kidney U133A"
## type
## [1] "RNA"
## An object of class "GEODataTable"
## ****** Column Descriptions ******
## Column
## 1 ID_REF
## 2 VALUE
## 3 ABS_CALL
## Description
## 1
## 2 MAS 5.0 Statistical Algorithm (mean scaled to 500)
## 3 MAS 5.0 Absent, Marginal, Present call with Alpha1 = 0.05, Alpha2 = 0.065
## ****** Data Table ******
## ID_REF VALUE ABS_CALL
## 1 AFFX-BioB-5_at 953.9 P
## 2 AFFX-BioB-M_at 2982.8 P
## 3 AFFX-BioB-3_at 1657.9 P
## 4 AFFX-BioC-5_at 2652.7 P
## 5 AFFX-BioC-3_at 2019.5 P
## 22278 more rows ...
# and the names of the GPLs represented
names(GPLList(gse))
## [1] "GPL96" "GPL97"
請參閱下文诱桂，了解獲取GSE信息的其他首選方法奥额。
4 轉(zhuǎn)換為BioConductor ExpressionSets和limma MALists
GEO數(shù)據(jù)集（不像其他一些地理實體的），比較相似limma的數(shù)據(jù)結(jié)構(gòu)MAList访诱，并為Biobase數(shù)據(jù)結(jié)構(gòu)ExpressionSet垫挨。因此，有兩個功能触菜，GDS2MA九榔、GDS2eSet是完成這項任務(wù)。
4.1將 GSE Series Matrix文件作為ExpressionSet獲取
GEO系列是相關(guān)實驗的集合涡相。除了可用作非常大的SOFT格式文件外哲泊，NCBI GEO還根據(jù)制表符分隔的文本準(zhǔn)備了一個更簡單的格式文件。該getGEO函數(shù)可以處理這種格式催蝗，并且可以非城型快速地解析非常大的GSE。從此解析返回的數(shù)據(jù)結(jié)構(gòu)是ExpressionSets列表丙号。例如先朦，我們下載并解析GSE2553。
# Note that GSEMatrix=TRUE is the default
gse2553 <- getGEO('GSE2553',GSEMatrix=TRUE)
show(gse2553)
## $GSE2553_series_matrix.txt.gz
## ExpressionSet (storageMode: lockedEnvironment)
## assayData: 12600 features, 181 samples
## element names: exprs
## protocolData: none
## phenoData
## sampleNames: GSM48681 GSM48682 ... GSM48861 (181 total)
## varLabels: title geo_accession ... data_row_count (30 total)
## varMetadata: labelDescription
## featureData
## featureNames: 1 2 ... 12600 (12600 total)
## fvarLabels: ID PenAt ... Chimeric_Cluster_IDs (13 total)
## fvarMetadata: Column Description labelDescription
## experimentData: use 'experimentData(object)'
## Annotation: GPL1977
show(pData(phenoData(gse2553[[1]]))[1:5,c(1,6,8)])
## title
## GSM48681 Patient sample ST18, Dermatofibrosarcoma
## GSM48682 Patient sample ST410, Ewing Sarcoma
## GSM48683 Patient sample ST130, Sarcoma, NOS
## GSM48684 Patient sample ST293, Malignant Peripheral Nerve Sheath Tumor
## GSM48685 Patient sample ST367, Liposarcoma
## type source_name_ch1
## GSM48681 RNA Dermatofibrosarcoma
## GSM48682 RNA Ewing Sarcoma
## GSM48683 RNA Sarcoma, NOS
## GSM48684 RNA Malignant Peripheral Nerve Sheath Tumor
## GSM48685 RNA Liposarcoma
4.2 將GDS轉(zhuǎn)換為ExpressionSet
gds從上面看我們的對象犬缨，我們可以簡單地做：
eset <- GDS2eSet(gds,do.log2=TRUE)
現(xiàn)在喳魏，eset是一個ExpressionSet包含相同的信息作為GEO數(shù)據(jù)集，包括樣品信息怀薛，我們可以在這里看到：
eset
## ExpressionSet (storageMode: lockedEnvironment)
## assayData: 22645 features, 17 samples
## element names: exprs
## protocolData: none
## phenoData
## sampleNames: GSM11815 GSM11832 ... GSM12448 (17 total)
## varLabels: sample disease.state individual description
## varMetadata: labelDescription
## featureData
## featureNames: 200000_s_at 200001_at ... AFFX-TrpnX-M_at (22645
## total)
## fvarLabels: ID Gene title ... GO:Component ID (21 total)
## fvarMetadata: Column labelDescription
## experimentData: use 'experimentData(object)'
## pubMedIds: 14641932
## Annotation:
pData(eset)[,1:3]
## sample disease.state individual
## GSM11815 GSM11815 RCC 035
## GSM11832 GSM11832 RCC 023
## GSM12069 GSM12069 RCC 001
## GSM12083 GSM12083 RCC 005
## GSM12101 GSM12101 RCC 011
## GSM12106 GSM12106 RCC 032
## GSM12274 GSM12274 RCC 2
## GSM12299 GSM12299 RCC 3
## GSM12412 GSM12412 RCC 4
## GSM11810 GSM11810 normal 035
## GSM11827 GSM11827 normal 023
## GSM12078 GSM12078 normal 001
## GSM12099 GSM12099 normal 005
## GSM12269 GSM12269 normal 1
## GSM12287 GSM12287 normal 2
## GSM12301 GSM12301 normal 3
## GSM12448 GSM12448 normal 4
4.3 將GDS轉(zhuǎn)換為MAList
沒有注釋信息（由GEO稱為平臺信息）刺彩，因為ExpressionSet通常不包含基因信息。但是枝恋，很容易獲得這些信息创倔。首先，我們需要知道這個GDS使用的平臺焚碌。然后畦攘，代碼getGEO會給我們提供我們需要的東西。
#get the platform from the GDS metadata
Meta(gds)$platform
## [1] "GPL97"
#So use this information in a call to getGEO
gpl <- getGEO(filename=system.file("extdata/GPL97.annot.gz",package="GEOquery"))
所以呐能，gpl現(xiàn)在包含GEO的GPL信息念搬。與ExpressionSetlimma 不同抑堡，limma MAList存儲基因注釋信息，因此我們可以在調(diào)用中使用我們新創(chuàng)建gpl的類GPL朗徊，GDS2MA如下所示：
MA <- GDS2MA(gds,GPL=gpl)
class(MA)
## [1] "MAList"
## attr(,"package")
## [1] "limma"
現(xiàn)在首妖，MA它MAList不僅包含數(shù)據(jù)，還包含與GDS507相關(guān)的樣本信息和基因信息爷恳。
4.4 將GSE轉(zhuǎn)換為ExpressionSet
首先有缆，確保使用上面“將GSE系列矩陣文件作為表達(dá)式集獲取”部分中描述的方法來使用GSE Series Matrix文件不足以完成任務(wù)，因為它更快更簡單温亲。如果不是（即棚壁，需要來自每個GSM的其他列），則將需要該方法栈虚。
轉(zhuǎn)換GSE對象到ExpressionSet對象目前采用比特的R數(shù)據(jù)操縱由于可存儲在所述變化數(shù)據(jù)GSE和底層GSM和GPL對象袖外。但是，使用一個簡單的例子有望說明該技術(shù)魂务。
首先曼验，我們需要確保所有這些GSMs都來自同一平臺：
gsmplatforms <- lapply(GSMList(gse),function(x) {Meta(x)$platform_id})
head(gsmplatforms)
## $GSM11805
## [1] "GPL96"
##
## $GSM11810
## [1] "GPL97"
##
## $GSM11814
## [1] "GPL96"
##
## $GSM11815
## [1] "GPL97"
##
## $GSM11823
## [1] "GPL96"
##
## $GSM11827
## [1] "GPL97"
實際上，有兩個GPL粘姜，GPL96和GPL97鬓照，作為他們的平臺（我們可以通過查看GPLList來確定gse）。我們可以過濾原始GSMList以僅包含具有GPL96平臺的那些GSM并使用該列表進行進一步處理
gsmlist = Filter(function(gsm) {Meta(gsm)$platform_id=='GPL96'},GSMList(gse))
length(gsmlist)
## [1] 17
所以孤紧，現(xiàn)在我們想知道哪個列代表我們想要提取的數(shù)據(jù)豺裆。查看單個GSM表的前幾行可能會給我們一個想法（順便說一下，GEO使用一種慣例号显，即每個數(shù)組包含單個測量的VALUE列稱為列臭猜，如果我們可以使用，我們不知道其他哪一欄最相關(guān)）咙轩。
Table(gsmlist[[1]])[1:5,]
## ID_REF VALUE ABS_CALL
## 1 AFFX-BioB-5_at 953.9 P
## 2 AFFX-BioB-M_at 2982.8 P
## 3 AFFX-BioB-3_at 1657.9 P
## 4 AFFX-BioC-5_at 2652.7 P
## 5 AFFX-BioC-3_at 2019.5 P
# and get the column descriptions
Columns(gsmlist[[1]])[1:5,]
## Column
## 1 ID_REF
## 2 VALUE
## 3 ABS_CALL
## NA <NA>
## NA.1 <NA>
## Description
## 1
## 2 MAS 5.0 Statistical Algorithm (mean scaled to 500)
## 3 MAS 5.0 Absent, Marginal, Present call with Alpha1 = 0.05, Alpha2 = 0.065
## NA <NA>
## NA.1 <NA>
我們確實會使用這個VALUE專欄获讳。然后我們想要制作這些值的矩陣，如下所示：
# get the probeset ordering
probesets <- Table(GPLList(gse)[[1]])$ID
# make the data matrix from the VALUE columns from each GSM
# being careful to match the order of the probesets in the platform
# with those in the GSMs
data.matrix <- do.call('cbind',lapply(gsmlist,function(x)
{tab <- Table(x)
mymatch <- match(probesets,tab$ID_REF)
return(tab$VALUE[mymatch])
}))
data.matrix <- apply(data.matrix,2,function(x) {as.numeric(as.character(x))})
data.matrix <- log2(data.matrix)
data.matrix[1:5,]
## GSM11805 GSM11814 GSM11823 GSM11830 GSM12067 GSM12075 GSM12079
## [1,] 10.926963 11.105254 11.275019 11.438636 11.424376 11.222795 11.469845
## [2,] 5.749534 7.908092 7.093814 7.514122 7.901470 6.407693 5.165912
## [3,] 7.066089 7.750205 7.244126 7.962896 7.337176 6.569856 7.477354
## [4,] 12.660353 12.479755 12.215897 11.458355 11.397568 12.529870 12.240046
## [5,] 6.195741 6.061776 6.565293 6.583459 6.877744 6.652486 3.981853
## GSM12098 GSM12100 GSM12105 GSM12268 GSM12270 GSM12283 GSM12298
## [1,] 10.823367 10.835971 10.810893 11.062653 10.323055 11.181028 11.566387
## [2,] 6.556123 8.207014 6.816344 6.563768 7.353147 5.770829 6.912889
## [3,] 7.708739 7.428779 7.754888 7.126188 8.742815 7.339850 7.602142
## [4,] 12.336534 11.762839 11.237509 12.412490 11.213408 12.678380 12.232901
## [5,] 5.501439 6.247928 6.017922 6.525129 6.683696 5.918863 5.837943
## GSM12300 GSM12399 GSM12444
## [1,] 11.078151 11.535178 11.105450
## [2,] 4.812498 7.471675 7.488644
## [3,] 7.383704 7.432959 7.381110
## [4,] 12.090939 11.421802 12.172834
## [5,] 6.281698 5.419539 5.469235
請注意活喊，我們這樣做是match為了確保值和平臺信息的順序相同。最后量愧，制作ExpressionSet對象：
require(Biobase)
# go through the necessary steps to make a compliant ExpressionSet
rownames(data.matrix) <- probesets
colnames(data.matrix) <- names(gsmlist)
pdata <- data.frame(samples=names(gsmlist))
rownames(pdata) <- names(gsmlist)
pheno <- as(pdata,"AnnotatedDataFrame")
eset2 <- new('ExpressionSet',exprs=data.matrix,phenoData=pheno)
eset2
## ExpressionSet (storageMode: lockedEnvironment)
## assayData: 22283 features, 17 samples
## element names: exprs
## protocolData: none
## phenoData
## sampleNames: GSM11805 GSM11814 ... GSM12444 (17 total)
## varLabels: samples
## varMetadata: labelDescription
## featureData: none
## experimentData: use 'experimentData(object)'
## Annotation:
因此钾菊，使用lapplyGSMList 的組合，可以根據(jù)需要提取盡可能多的感興趣的列來構(gòu)建所選擇的數(shù)據(jù)結(jié)構(gòu)偎肃。因為來自GEO網(wǎng)站的GSM數(shù)據(jù)被完全下載并包含在GSE對象中煞烫，所以例如可以提取雙通道陣列的前景和背景以及質(zhì)量。獲取數(shù)組注釋也有點復(fù)雜累颂，但通過在lapply調(diào)用中替換“platform”來獲取每個數(shù)組的平臺信息滞详，可以獲得與每個數(shù)組相關(guān)的其他信息凛俱。
5從GEO訪問原始數(shù)據(jù)
NCBI GEO接受（但并非總是需要）原始數(shù)據(jù)，如.CEL文件料饥，.CDF文件蒲犬，圖像等。有時岸啡，快速訪問此類數(shù)據(jù)很有用术陶。單個函數(shù)getGEOSuppFiles可以將GEO登錄作為參數(shù)嗦篱，并將下載與該登錄關(guān)聯(lián)的所有原始數(shù)據(jù)。默認(rèn)情況下，該函數(shù)將在當(dāng)前工作目錄中創(chuàng)建一個目錄扫夜，以存儲所選GEO登錄的原始數(shù)據(jù)。結(jié)合簡單的sapply語句或其他循環(huán)結(jié)構(gòu)茫打，getGEOSuppFiles可以非常簡單地快速輕松地獲取原始數(shù)據(jù)混萝，而無需了解GEO原始數(shù)據(jù)URL的具體信息。
6 示例
GEOquery可以非常強大搬味，可以快速收集大量數(shù)據(jù)黍聂。一些示例可用于說明如何為數(shù)據(jù)挖掘目的進行此操作。
6.1 獲取給定平臺的所有系列記錄
出于數(shù)據(jù)挖掘的目的身腻，有時能夠為給定平臺提取所有GSE記錄产还。GEOquery使這很容易，但是開始時需要對GPL記錄有一點了解嘀趟。GPL記錄包含引用它的GSE和GSM加入脐区。一些代碼有助于說明這一點：
gpl97 <- getGEO('GPL97')
Meta(gpl97)$title
## [1] "[HG-U133B] Affymetrix Human Genome U133B Array"
head(Meta(gpl97)$series_id)
## [1] "GSE362" "GSE473" "GSE620" "GSE674" "GSE781" "GSE907"
length(Meta(gpl97)$series_id)
## [1] 163
head(Meta(gpl97)$sample_id)
## [1] "GSM3922" "GSM3924" "GSM3926" "GSM3928" "GSM3930" "GSM3932"
length(Meta(gpl97)$sample_id)
## [1] 7877
上面的代碼將GPL97記錄加載到R.Meta方法從GPL記錄中提取標(biāo)題信息列表。在title給該平臺的人的名字她按。在series_id給出一系列ID的載體牛隅。請注意，此平臺有163個系列和7877個樣本酌泰∶接叮可以使用以下代碼下載所有樣本或系列。只展示前5個樣本作為例子：
gsmids <- Meta(gpl97)$sample_id
gsmlist <- sapply(gsmids[1:5],getGEO)
names(gsmlist)
## [1] "GSM3922" "GSM3924" "GSM3926" "GSM3928" "GSM3930"
7 結(jié)論
GEOquery包為NCBI GEO存儲庫中包含的大量陣列資源提供了橋梁陵刹。通過保持GEO數(shù)據(jù)的豐富性而不是僅僅關(guān)注“數(shù)字”默伍，可以將GEO數(shù)據(jù)集成到當(dāng)前的Bioconductor數(shù)據(jù)結(jié)構(gòu)中，并且可以非乘ニ觯快速也糊，輕松地對該數(shù)據(jù)進行分析。希望這些工具能夠更全面地向陣列社區(qū)開放GEO數(shù)據(jù)羡宙。
7.1 引用GEOquery
如果用于支持您自己的研究狸剃，請考慮引用GEOquery：
citation("GEOquery")
##
## Please cite the following if utilizing the GEOquery software:
##
## Davis, S. and Meltzer, P. S. GEOquery: a bridge between the Gene
## Expression Omnibus (GEO) and BioConductor. Bioinformatics, 2007,
## 14, 1846-1847
##
## A BibTeX entry for LaTeX users is
##
## @Article{,
## author = {Sean Davis and Paul Meltzer},
## title = {GEOquery: a bridge between the Gene Expression Omnibus (GEO) and BioConductor},
## journal = {Bioinformatics},
## year = {2007},
## volume = {14},
## pages = {1846--1847},
## }
7.2報告問題或錯誤
如果在使用GEOquery時遇到問題，Bioconductor支持網(wǎng)站是尋求幫助的第一個好地方狗热。如果您確信GEOquery中存在錯誤（這是非常不尋常的钞馁，但并非聞所未聞）虑省，請隨時在GEOquery github網(wǎng)站上提交問題或直接從R提交錯誤報告（將打開一個新的github問題） ：
bug.report(package='GEOquery')
8會話信息
以下包和版本用于制作此插圖。
## R version 3.5.0 (2018-04-23)
## Platform: x86_64-pc-linux-gnu (64-bit)
## Running under: Ubuntu 16.04.4 LTS
##
## Matrix products: default
## BLAS: /home/biocbuild/bbs-3.7-bioc/R/lib/libRblas.so
## LAPACK: /home/biocbuild/bbs-3.7-bioc/R/lib/libRlapack.so
##
## locale:
## [1] LC_CTYPE=en_US.UTF-8 LC_NUMERIC=C
## [3] LC_TIME=en_US.UTF-8 LC_COLLATE=C
## [5] LC_MONETARY=en_US.UTF-8 LC_MESSAGES=en_US.UTF-8
## [7] LC_PAPER=en_US.UTF-8 LC_NAME=C
## [9] LC_ADDRESS=C LC_TELEPHONE=C
## [11] LC_MEASUREMENT=en_US.UTF-8 LC_IDENTIFICATION=C
##
## attached base packages:
## [1] parallel stats graphics grDevices utils datasets methods
## [8] base
##
## other attached packages:
## [1] GEOquery_2.48.0 Biobase_2.40.0 BiocGenerics_0.26.0
## [4] knitr_1.20
##
## loaded via a namespace (and not attached):
## [1] Rcpp_0.12.16 xml2_1.2.0 bindr_0.1.1 magrittr_1.5
## [5] hms_0.4.2 R6_2.2.2 rlang_0.2.0 stringr_1.3.0
## [9] dplyr_0.7.4 tools_3.5.0 htmltools_0.3.6 yaml_2.1.18
## [13] rprojroot_1.3-2 digest_0.6.15 assertthat_0.2.0 tibble_1.4.2
## [17] bindrcpp_0.2.2 purrr_0.2.4 tidyr_0.8.0 readr_1.1.1
## [21] curl_3.2 glue_1.2.0 evaluate_0.10.1 rmarkdown_1.9
## [25] limma_3.36.0 stringi_1.1.7 compiler_3.5.0 pillar_1.2.2
## [29] backports_1.1.2 pkgconfig_2.0.1
生信技能樹公益視頻合輯：學(xué)習(xí)順序是linux僧凰，r探颈，軟件安裝，geo允悦，小技巧膝擂，ngs組學(xué)！
B站鏈接：https://m.bilibili.com/space/338686099
YouTube鏈接：https://m.youtube.com/channel/UC67sImqK7V8tSWHMG8azIVA/playlists
生信工程師入門最佳指南：https://mp.weixin.qq.com/s/vaX4ttaLIa19MefD86WfUA
學(xué)徒培養(yǎng)：https://mp.weixin.qq.com/s/3jw3_PgZXYd7FomxEMxFmw
生信技能樹 - 簡書 http://www.reibang.com/u/d645f768d2d5
