GEO數(shù)據(jù)庫全稱GENE EXPRESSION OMNIBUS锅知，是由美國國立生物技術(shù)信息中心NCBI創(chuàng)建并維護的基因表達數(shù)據(jù)庫厕九。它創(chuàng)建于2000年，收錄了世界各國研究機構(gòu)提交的高通量基因表達數(shù)據(jù)藻丢，也就是說只要是目前已經(jīng)發(fā)表的論文犁跪，論文中涉及到的基因表達檢測的數(shù)據(jù)都可以通過這個數(shù)據(jù)庫中找到。關(guān)鍵是這個數(shù)據(jù)是免費的法希！

NCBI Gene Expression Omnibus（GEO）作為各種高通量實驗數(shù)據(jù)的公共存儲庫枷餐。這些數(shù)據(jù)包括基于單通道和雙通道微陣列的實驗，檢測mRNA苫亦，基因組DNA和蛋白質(zhì)豐度毛肋，以及非陣列技術(shù)，如基因表達系列分析（SAGE）著觉，質(zhì)譜蛋白質(zhì)組學(xué)數(shù)據(jù)和高通量測序數(shù)據(jù)村生。

在GEO最基本的組織層面，有四種基本實體類型饼丘。前三個（樣本趁桃，平臺和系列）由用戶提供; 第四，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。

檢索

網(wǎng)址：https://www.ncbi.nlm.nih.gov/geo/

這里以檢索胃癌（stomach cancer ）的數(shù)據(jù)為例蟀苛。

1

1益咬、Entry type有四種:Datasets，Series帜平，Samples幽告，Platforms。這也是GEO主要的四類數(shù)據(jù)裆甩。
1.1 GEO Dataset (GDS)：GDS是人工整理好的關(guān)于某個類別的GSM的集合
1.2 GEO Series (GSE)：GSE是一個實驗項目中的所有樣本的芯片實驗數(shù)據(jù)集合
1.3 GEO Sample (GSM)：GSM是單個樣本的實驗數(shù)據(jù)
1.4 GEO Platform (GPL)：GPL是芯片的平臺冗锁，如Affmetrix, Aglent等
一篇文章可以有一個或者多個GSE數(shù)據(jù)集，一個GSE里面可以有一個或者多個GSM樣本嗤栓。多個研究的GSM樣本可以根據(jù)研究目的整合為一個GDS冻河，不過GDS本身用的很少。而每個數(shù)據(jù)集都有著自己對應(yīng)的芯片平臺茉帅，就是GPL叨叙。一個GSM可以有多個GSE，每個GSM都會對應(yīng)其測序平臺GPL堪澎，GDS一般不接觸擂错，我們通常接觸的都是GSE系列的數(shù)據(jù)。

平臺:
平臺記錄描述陣列上的元件列表（例如全封，cDNA马昙，寡核苷酸探針組，ORF刹悴，抗體）或可在該實驗中檢測和定量的元件列表（例如行楞，SAGE標(biāo)簽，肽）土匀。每個平臺記錄都分配有唯一且穩(wěn)定的GEO登錄號（GPLxxx）子房。平臺可以引用多個提交者提交的許多樣本。
樣品:
樣品記錄描述了處理單個樣品的條件就轧，它經(jīng)歷的操作以及從中得到的每個元素的豐度測量证杭。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妒御，可以包含在多個Series中解愤。
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)乎莉，以及它們是否以及如何排序送讲。A系列提供了整個實驗的焦點和描述奸笤。系列記錄還可能包含描述提取數(shù)據(jù)，摘要結(jié)論或分析的表格哼鬓。每個系列記錄都分配有唯一且穩(wěn)定的GEO登記號（GSExxx）监右。
數(shù)據(jù)集
GEO DataSet（GDSxxx）是GEO樣本數(shù)據(jù)的精選集合。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樣本异希，構(gòu)成了GEO數(shù)據(jù)顯示和分析工具套件的基礎(chǔ)健盒。GDS中的樣本指的是同一個平臺，也就是說称簿，它們共享一組共同的探測元素扣癣。假設(shè)GDS中每個樣本的值測量值以等效方式計算，即背景處理和標(biāo)準(zhǔn)化等考慮因素在整個數(shù)據(jù)集中是一致的予跌。通過GDS子集提供反映實驗設(shè)計的信息搏色。
記住大小關(guān)系：一個GDS可以有多個GSM善茎，一個GSM可以有多個GSE券册，至于GPL，一般不接觸垂涯，我們通常接觸的都是GSE系列（一個GSE里面有多個GSM）的數(shù)據(jù)烁焙。

2
點擊Customize ...可以添加指定的物種，也可以直接點擊9處進行篩選耕赘，一般不是人就是鼠骄蝇，通常是選擇人。

3
通過研究類型進行篩選操骡，比如二代測序轉(zhuǎn)錄組數(shù)據(jù)九火、chipseq、芯片數(shù)據(jù)的甲基化册招，單核苷酸突變等進行篩選岔激。

4
Author是根據(jù)作者進行篩選，一般用不到是掰。

5
屬性名稱虑鼎，表示數(shù)據(jù)來自于組織還是特定的細(xì)胞類型。

6
Publication dates是指初版日期键痛。點擊Custom range...可以進行篩選時間炫彩。

7
設(shè)置每頁顯示搜多結(jié)果的個數(shù)

8
選擇排序方式

9
篩選組織來源

10
選擇相應(yīng)的數(shù)據(jù)庫，展示搜索細(xì)節(jié)

搜索結(jié)果

GDS編號檢索結(jié)果頁面杉允，以GDS402為例

GSE編號檢索結(jié)果頁面

一般我們想要下載的處理好的數(shù)據(jù)都在supplementary file存放。

GSM編號檢索頁面
因為我們在supplementary file下載的是處理好的數(shù)據(jù)，然后用于下游的分析。所以拿到數(shù)據(jù)后最關(guān)心的是這個數(shù)據(jù)是怎么處理的低飒。點擊Samples中的GSM3822269拌喉，便可查看單個樣本的數(shù)據(jù)處理過程残家。

在紅色框中诺擅，可以得知： 使用Illumina HiSeq 2000測序儀進行測序，下級得到FASTQ文件抒钱，然后使用BWA-Bowtie-Cufflinks進行比對、定量诅蝶，比對時候選擇的是hg19參考基因組筐眷。最后我們在supplementary file中下載得到是FPKM值的表達矩陣武翎。得到這些信息后，下游的很多分析才能科學(xué)的進行。

測序平臺

世界上主流的芯片制造商有4家额各，分別是Affymetrix需频，Agilent，Nimblegen以及Illumina昭殉。每家都會針對不同物種苞七、不同測序類型推出不同的芯片，甚至不同時期推出的不同版本芯片的探針也不一樣這就會出現(xiàn)各種各樣的探針信息挪丢。但是我們研究主要關(guān)注點是gene symbol蹂风。因此對于芯片數(shù)據(jù)，我們要重點關(guān)注的信息是測序平臺乾蓬，以GPL7202為例

點擊download full table下載惠啄，該文件主要是用于探針id轉(zhuǎn)化。

指定檢索

可以通過庫瀏覽器 （repository browser ）從庫中選擇要下載的文件夾內(nèi)容下載任内。點擊紅色框進入repository browser撵渡。

進入的頁面后我們可以看見，數(shù)據(jù)類型死嗦，平臺趋距，樣本和物種的選項，我們可以通過其進行檢索越除。
比如我們尋找chipseq數(shù)據(jù)节腐，就選擇數(shù)據(jù)類型中Genome binding/occupancy profiling by high throughput sequencing

篩選人源EZH2相關(guān)的chipseq（點紅色框）

下載原始數(shù)據(jù)

在supplementary file中有時候作者并沒有給出處理后的數(shù)據(jù)，或者給出的數(shù)據(jù)不全摘盆，我們只能下載原始的fastq數(shù)據(jù)進行比對翼雀、定量拿到表達矩陣。fastq文件一般會存放在SRA數(shù)據(jù)庫中骡澈，我們可以通過GEO數(shù)據(jù)庫去SRA中下載原始文件锅纺。

進入SRA數(shù)據(jù)庫中

選擇需要下載的樣本

在線分析工具

我們再看看GDS號檢索的結(jié)果頁面
網(wǎng)址：https://www.ncbi.nlm.nih.gov/sites/GDSbrowser?acc=GDS402

Find gene工具

該工具用于直接查找該數(shù)據(jù)集中該基因的表達譜數(shù)據(jù)囤锉。

Compare 2 sets of samples工具

step1:選擇比較方式和顯著性水平
step2：選擇A和B兩樣本組
step3：比較A樣本和B樣本

我們點擊Step2： Select which Samples to put in Group A and Group B會彈出一個窗口莺褒，讓我們自己進行分組。我們可以看見A組合B組的GSM號是一樣的雪情，需要將他分在哪一組就在哪一組點擊一下就行遵岩。背景變?yōu)樯罨疑捅硎颈贿x中，這里將GSM9920-GSM9925定位A組巡通，其余定位B組尘执。點擊OK.

Cluster heatmaps工具

Cluster heatmaps聚類分析圖包含三種聚類算法
1.層級聚類方法：（Single-Link:最近距離游盲、Complete-Link：最遠(yuǎn)距離跟狱、Average-Link:平均距離）
2.分散性聚類方法：
K- Medioids算法（特點：用類中的某個點來代表該聚類：優(yōu)點：能處理任意類型的屬性胜卤；對異常數(shù)據(jù)不敏感）
K-Means算法（特點：聚類中心用各類別中所有數(shù)據(jù)的平均值表示：優(yōu)點：應(yīng)用最為廣泛祖能；收斂速度快：能擴展以用于大規(guī)模的數(shù)據(jù)集；缺點：傾向于識別凸形分布叉讥、大小相近窘行、密度相近的聚類：中心選擇和噪聲聚類對結(jié)果影響大）
3.按基因處于染色體上位置來聚類

此外Cluster heatmaps工具中還有一個(K-means/K-medians)的聚類幅骄。

通過設(shè)置高低表達的顏色劫窒，設(shè)置聚類個數(shù)（cluster，2-15）拆座，這里選擇4主巍，點擊Display

而對于By location on chromosome冠息，是將基因定位于染色體上進行分析。

Experiment design and value distribution工具

這就是每個樣本中所有基因表達值的一個匯總孕索，這是歸一化后的箱線圖逛艰，看起來質(zhì)量不錯。

GEO2R

• GEO2R是一個交互式web工具搞旭，它允許用戶比較GEO系列中的兩組或兩組以上的樣本散怖，以便識別在不同實驗條件下表達不同的基因。結(jié)果顯示為按重要性排序的基因表肄渗。

• GEO2R使用Bioconductor項目中的GEOquery和limma R包對原始提交者提供的處理過的數(shù)據(jù)表執(zhí)行比較镇眷。

• 與GEO的其他數(shù)據(jù)集分析工具不同，GEO2R不依賴于精心設(shè)計的數(shù)據(jù)集翎嫡，而是直接查詢原始的系列矩陣數(shù)據(jù)文件欠动。這使得及時分析更多的地理數(shù)據(jù)成為可能。然而钝的，重要的是要認(rèn)識到翁垂，無論數(shù)據(jù)類型和質(zhì)量如何，這個工具幾乎可以訪問和分析任何GEO系列硝桩。

• 結(jié)果在瀏覽器中顯示為按p值排列的前250個基因的表。p值最小的基因最顯著衙伶。單擊一行顯示該基因的基因表達譜圖祈坠。圖中的每個紅條表示從原始提交者提供的樣例記錄的value列中提取的表達式度量。
  使用Select columns特性修改表中包含哪些數(shù)據(jù)和注釋列矢劲。有關(guān)數(shù)據(jù)列含義的信息在Summary statistics部分中提供赦拘。

• 在Options選項卡中編輯測試參數(shù)，然后回到GEO2R選項卡并單擊Recalculate來應(yīng)用編輯芬沉。

• 要查看超過前250個結(jié)果躺同，或者如果想保存結(jié)果，可以使用save all results按鈕下載完整的結(jié)果表丸逸。下載的文件以制表符分隔蹋艺，適合在Excel等電子表格應(yīng)用程序中打開。

  
  

Options

• Apply adjustment to the P-values

Limma包提供了幾個p值調(diào)整選項黄刚。這些調(diào)整捎谨，也稱為多次測試糾正，試圖糾正錯誤陽性結(jié)果的發(fā)生。默認(rèn)選擇Benjamini & Hochberg錯誤發(fā)現(xiàn)率方法涛救，因為它是對微陣列數(shù)據(jù)最常用的調(diào)整畏邢，并在發(fā)現(xiàn)統(tǒng)計上重要的基因和限制假陽性之間提供了良好的平衡。

• Apply log transformation to the data

GEO數(shù)據(jù)庫接受各種數(shù)據(jù)值類型州叠，包括logged和未logged的數(shù)據(jù)棵红。Limma包需要使用logged數(shù)據(jù)為了解決這個問題，GEO2R有一個自動檢測特性咧栗，它檢查所選樣本的值逆甜，并自動執(zhí)行l(wèi)og2轉(zhuǎn)換≈掳澹可選擇是否自動轉(zhuǎn)換交煞。

• Category of Platform annotation to display on results

選擇要在結(jié)果上顯示的注釋類別≌寤颍基因注釋來自于相應(yīng)的平臺記錄素征。有兩種注釋類型:
NCBI生成的注釋可用于許多記錄。這些注釋是通過從平臺中提取穩(wěn)定的序列識別信息萝挤，定期查詢Entrez基因和UniGene數(shù)據(jù)庫御毅，生成一致的、最新的注釋而得到的怜珍。默認(rèn)情況下選擇基因符號和基因標(biāo)題注釋端蛆。NCBI生成的注釋的其他類別包括GO術(shù)語和染色體位置信息。
提交者提供的注釋可用于所有記錄酥泛。這些表示提交者提供的原始平臺注釋今豆。請注意，提交者提供的注釋在樣式和內(nèi)容上有很多多樣性柔袁，而且自提交時起可能就沒有更新過呆躲。

Profile graph

R script

參考：https://zhuanlan.zhihu.com/p/72484266
公眾號：Bioinformation