看過很多GEO數(shù)據(jù)挖掘的教程，一直都是芯片數(shù)據(jù)舉例喉悴。我自己也根據(jù)流程（Taolu）分析過好幾個geo芯片數(shù)據(jù)棱貌。一直有個疑惑，

GEO上都是芯片數(shù)據(jù)嗎箕肃？

GSE開頭的都是芯片數(shù)據(jù)嗎婚脱？

今天在大神健明老師的敦促下，我又一次打開熟悉又陌生的GEO頁面勺像。重新讀一下GEO數(shù)據(jù)庫的介紹障贸。熟悉是因為這個頁面我打開過不止百次了，陌生是因為從沒認真讀過這個頁面的內(nèi)容吟宦。

image.png

開篇第一句就寫了芯片和測序數(shù)據(jù)我們都是接受的篮洁。
但是我看到的GEO挖掘?qū)嵗际切酒瑸槔]見過GEO上的測序數(shù)據(jù)是啥樣殃姓。所以這也是導致我產(chǎn)生這個錯覺的主要原因袁波。我需要找到一個不是芯片的例子來看看。畢竟眼見為實嘛蜗侈。于是我開始搜索篷牌。希望找到GEO數(shù)據(jù)的一些存放規(guī)律。

1.解讀GEO數(shù)據(jù)存放規(guī)律及下載踏幻，一文就夠

首先看到了健明老師這一篇枷颊，開篇就說了

GEO數(shù)據(jù)庫起先只是為表達芯片數(shù)據(jù)準備的，后期納入了各種NGS組學數(shù)據(jù)该面，文章里面會給出數(shù)據(jù)地址夭苗，GSE ID號，由此我們就可以進入GEO數(shù)據(jù)庫隔缀，進而了解它题造！

image.png

其實只需要理解下面的4個概念。
GEO Platform (GPL)
GEO Sample (GSM)
GEO Series (GSE)
GEO Dataset (GDS)
理解起來也很容易猾瘸。一篇文章可以有一個或者多個GSE數(shù)據(jù)集晌梨，一個GSE里面可以有一個或者多個GSM樣本桥嗤。多個研究的GSM樣本可以根據(jù)研究目的整合為一個GDS，不過GDS本身用的很少仔蝌。而每個數(shù)據(jù)集都有著自己對應(yīng)的芯片平臺，就是GPL荒吏。

然后還是芯片挖掘的例子

2.從GEO數(shù)據(jù)庫下載得到表達矩陣 一文就夠

然后又看到了這一篇敛惊，文中提到geo上的illumina測序芯片。這個illumina我是知道的绰更，這個公司就是二代測序的代表瞧挤，有點靠近轉(zhuǎn)錄組的意思了。

image.png

3.GEO數(shù)據(jù)挖掘技術(shù)可以應(yīng)用到表達芯片也可以是轉(zhuǎn)錄組測序

最終定位到這一篇解決了我的疑惑儡湾。

那如果是RNA-seq測序數(shù)據(jù)呢特恬？
通常呢，RNA-seq測序數(shù)據(jù)并不會把其表達矩陣存儲在Series Matrix File(s) 里面徐钠，所以 你使用我的標準代碼：

rm(list = ls())  ## 魔幻操作癌刽，一鍵清空~
options(stringsAsFactors = F)#在調(diào)用as.data.frame的時，將stringsAsFactors設(shè)置為FALSE可以避免character類型自動轉(zhuǎn)化為factor類型
# 注意查看下載文件的大小尝丐，檢查數(shù)據(jù) 
f='GSE103611_eSet.Rdata'
# https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE103611
library(GEOquery)
# 這個包需要注意兩個配置显拜，一般來說自動化的配置是足夠的。
#Setting options('download.file.method.GEOquery'='auto')
#Setting options('GEOquery.inmemory.gpl'=FALSE)
if(!file.exists(f)){
  gset <- getGEO('GSE103611', destdir=".",
                 AnnotGPL = F,     ## 注釋文件
                 getGPL = F)       ## 平臺文件
  save(gset,file=f)   ## 保存到本地
}
load('GSE103611_eSet.Rdata')  ## 載入數(shù)據(jù)
class(gset)  #查看數(shù)據(jù)類型
length(gset)  #
class(gset[[1]])
gset
# assayData: 352859 features, 48 samples

比如對 https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE106292 上面的代碼就拿不到表達矩陣

因為爹袁，這個是RNA-seq數(shù)據(jù)远荠，作者會把自己的表達矩陣變成Excel表格，方便大家探索失息！

image.png

記住譬淳，我這里強調(diào)了是作者自己的表達矩陣，因為RNA-seq數(shù)據(jù)分析流程還不一樣盹兢！參數(shù)不一樣邻梆，軟件不一樣，數(shù)據(jù)庫不一樣蛤迎，而且最后的表達矩陣的表現(xiàn)形式又不一樣确虱！是原始的counts還是RPKM，TPM都不一樣替裆！如果作者確實不上傳其表達矩陣校辩，你也沒辦法，只能是自己走RNA-seq數(shù)據(jù)分析流程：

image.png

這里面的知識細節(jié)太復(fù)雜了辆童，我就不一一展開宜咒！建議大家看我們閱讀量過10萬的RNA-seq系列推文，比如：表達矩陣的歸一化和標準化把鉴，去除極端值故黑，異常值
然后我想下載下來看看儿咱，先用網(wǎng)絡(luò)下載一個是不完整是空白，換用手機熱點场晶，提示需要14天才能下載完混埠。

image.png