公共数据库挖掘第一步-GEO数据库下载表达谱数据和生存数据

在NAD+代谢相关基因的文章中，针对来自GEO数据库的ALS患者的表达谱数据进行了挖掘，本文就以这两批GEO数据为例，来详细展示原始数据的下载过程

公共数据库的数据挖掘有多种模式，每种模式需要的原始数据也不尽相同。所以，首先我们要明确目标，对于这个基因建模而言，我们需要以下两种数据

1. 基因表达谱

2. 患者的生存数据

明确目标之后，我们就可以针对的来分析寻找数据了

1. 基因表达谱

在GEO数据库中收录的表达谱数据有两种类型

1. 基于NGS的表达谱

2. 基于芯片的表达谱

二者的模式稍有不同，芯片平台以探针为单位，而NGS的数据直接以基因为单位。我们最终希望得到的表达谱数据就是行为基因，列为样本的表达谱，所以

1.对于芯片平台，在下载表达谱的同时，我们还需要下载芯片对应平台的注释文件，主要是提供探针到基因的映射关系

2.对于NGS, 基因定量的坐标来自于GTF文件，芯片平台在NGS就对应了GTF的版本

GEO一开始就是用来存储芯片表达谱数据的，所以对于芯片恶言，会有一个通用的格式，以GSE112676为例，数据链接如下

https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE112676

我们需要重点关注两部分

首先看supplementary部分，这部分会提供作者整理好的一些数据，我们可以根据文件名判断是否是我们需要的文件，比如这里的preQC_nonnormalized.txt 就是归一化之后的表达谱，我们直接下载这个文件就可以了。raw.rar 文件是芯片的原始文件，当实在找不到现成的表达谱时，也可以从原始数据重头开始分析。

第二部分关注Download family这部分，该部分提供的是芯片的原始表达谱和样本注释信息，对应3种不同格式，其中的series matrix 是TXT格式，我们使用起来最方便，直接点击链接进去下载即可。

下载完成之后是一个压缩文件，直接解压即可，用excel打开该文件，可以在找到如下图所示的部分数据

该数据就是探针水平的原始表达量数据了。对于芯片而言，所用的芯片平台都会给出，在platform一栏中可以看到

点击对应链接，可以跳转到该平台的注释信息，示例如下

提供了探针对转录本，基因等多种注释信息的映射，我们可以下载完整的注释表格。

2. 生存数据

series matrix文件不仅包含探针表达量信息，在Sample_characteristics_chr1 部分的注释信息中，还会提供关于样本的各种信息，有些作者会把样本的生存数据存放在这里，GSE112676示例如下

如果GEO里面找不到，可以去查看数据对应的文献或者联系文章作者来获取。

·end·