三阴性乳腺癌表达矩阵探索之数据下载及理解

下面是《GEO数据挖掘课程》的配套笔记（第二篇）

了解数据挖掘

公共数据库：（数据来源）

• GEO和TCGA
• 国际三大数据中心：NCBI, ENSEMBL, UCSC

• 数据挖掘的概念
  • 从大的数据背景中通过各种统计学方法得到数量大小合适的基因集找到的感兴趣的基因集
  • 通过各种统计学方法来注释并解释这个基因集的意义

实战：

对文献解读的第三篇文章==Identification of Key Genes and Pathways in Triple-Negative Breast Cancer by Integrated Bioinformatics Analysis== 的分析过程进行重复

• 第一步：下载数据集 GEO数据库基本介绍： 一篇文章可以有一个或者多个GSE数据集，一个GSE里面可以有一个或者多个 GSM样本 ,多个研究的GSM样本介意根据研究目的整合为一个 GDS , 不过GDS本身用得很少，而且每个数据集都有自己对应的芯片平台，就是GPL GEO Platform：GPL GEO Sample: GSM GEO Series: GSE GEO Dataset: GDS GEO数据库，根据数据存放的标签GSE号进行查询

找到GSE号进如GEO数据库

进入GEO并搜索数据集点击目标查询进入目标数据集网页

下载数据的详细介绍

探针注释平台的位置

表达矩阵下载位置表达矩阵下载的方式：

表达矩阵下载的方法一

表达矩阵下载方式二

1. 使用GEOqueryR 程序包从GEO数据库下载 ==Note==:使用下面的代码下载的文件都会保存到本地，destdir参数指定数据存放的位置。此外，比较重要的三个参数为GSEMatrix=TRUE,AnnotGPL=FALSE, getGPL=TRUE #加载程序包 library(GEOquery) #根据GDS下载soft文件 gds <- getGEO('GD858', destdir='.') #根据GPL号下载芯片设计信息 gpl96 <- getGEO("GPL96", destdir=".") #根据GSE号下载series_matrix.txt.gz gse1009 <- getGEO("GSE1009",dstdir=".")
2. 下载原始芯片表达数据（CEL）
3. 直接下载matrix文件，点击‘Series Matrix File(s)’进入到矩阵存放位置，直接点击下载

• 第二步：开始分析
  1. 新建一个R.project GSE76275.Rproj
  2. 在新的project下分别创建每个流程的分析
  3. 总共分step0-step5step0-install.R : 安装需要用到的程序包Notes: R版本高于3.5 使用BiocManager， 低于3.5用BiocInsrallerrm(list = ls()) #清空当前工作空间变量 options()repos #查看当前工作空间默认的下载包路径options()BioC_mirror #查看使用BioCManager下载包的默认路径options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/") # 指定使用BioCManager下载的路径options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/")) # 指定使用install.packages下载包的路径options()repos options()BioC_mirror# https://bioconductor.org/packages/release/bioc/html/GEOquery.htmlif (!requireNamespace("BiocManager", quietly = TRUE)) install.packages("BiocManager") #判断是否存在BiocManger包，没有的话下载该包 #判断是否存在这些包，不存在的话安装这些包if(!require("KEGG.db")) BiocManager::install("KEGG.db",ask = F,update = F)if(!require("GSEABase")) BiocManager::install("GSEABase",ask = F,update = F)if(!require("GSVA")) BiocManager::install("GSVA",ask = F,update = F)if(!require("clusterProfiler")) BiocManager::install("clusterProfiler",ask = F,update = F)if(!require("GEOquery")) BiocManager::install("GEOquery",ask = F,update = F)if(!require("limma")) BiocManager::install("limma",ask = F,update = F)if(!require("impute")) BiocManager::install("impute",ask = F,update = F)if(!require("genefu")) BiocManager::install("genefu",ask = F,update = F)if(!require("org.Hs.eg.db")) BiocManager::install("org.Hs.eg.db",ask = F,update = F)if(!require("hgu133plus2.db")) BiocManager::install("hgu133plus2.db",ask = F,update = F)if(!require("ConsensusClusterPlus")) BiocManager::install("ConsensusClusterPlus",ask = F,update = F)step1-download.R: 下载所需要的数据##1.获取GEO数据library(GEOquery)f = "SE76275_eSet.Rdata" #如果文件不存在则进行下载if(! file.exist(f)){ gset <- getGEO("GSE76275", destdir=".", AnnotGPL=T, #注释文件，可下可不下 getGPL = T) #注释平台，可下可不下，可以改为F save(gset,file="GSE76275_eSet.Rdata") #保存到本地 }load("GSE76275_eSet.Rdata") #载入数据简单对下载的数据进行了解：ExpressionSet数据形式的组成：assayDataphenoDatafeatureDataexperimentDataprotocalDataclass(gset) #list类型length(gset) #查看长度，只有一个元素class(gset[[1]]) #取出第一个元素，并查看类型为"ExpressionSet"?ExpressionSet #查看这个数据类型，getGEO函数的目的就是下载数据，而下载的数据最终以ExpressionSet的形式存在a<-gset[[1]] #取出该列表的第一个元素并赋值a@experimentData #访问不同的数据集a@assayDatamethods(class='ExpressionSet') #可用于查看该对象的操作函数dat=exprs(a) #取出对象a中的表达矩阵dim(dat) #检查维度，54675个探针，265个病人dat[1:4,1:4] #查看前四行前四列了解实验设计：pd <- pData(a) #取出pdcharacteristics_ch1.1 #取出分组信息ifelse(X==1,'X等于1'，'X不等于1') #首先判断X是否等于1，如果X等于1，返回'X等于1'的值，否则返回'X不等于1'的值group_list<-ifelse(pd

视频观看方式

我把3年前的收费视频课程：3年前的GEO数据挖掘课程你可以听3小时或者3天甚至3个月，免费到B站:

• 这个课程超级棒，B站免费学习咯：https://m.bilibili.com/video/BV1dy4y1C7jz
• 配套代码在GitHub哈：https://github.com/jmzeng1314/GSE76275-TNBC
• TCGA数据库挖掘，代码在：https://github.com/jmzeng1314/TCGA_BRCA
• GTEx数据库挖掘，代码在：https://github.com/jmzeng1314/gtex_BRCA
• METABRIC数据库挖掘，代码在：https://github.com/jmzeng1314/METABRIC

然后马上就有了3千多学习量，而且有学员给出来了图文并茂版本万字笔记，让我非常感动！