R语言 | GEO数据库表达矩阵标准化

✴️前言：我们从GEO数据库下载得到表达矩阵，在进行各种分析之前，首先要做的就是对数据进行标准化。

但并不是所有数据都需要进行标准化，GEO中有些数据是已经标准化了的，有些则没有，需要我们进行一个判断，判断的方法，我在后文会讲到。

众所周知，GEO数据分为芯片数据和测序数据。这两种数据他们所采用的标准化方法是不同的，下面分别进行介绍：

🔶芯片数据（基因芯片）

🔵第一类：不用进行标准化的数据

这种数据有明显的几个特征：👇

• 数据类型是小数而不是整数
• 表达量数值在50以内（比较小）

一般这种数据都是经过log2转化后的标准化矩阵，不需要再进行标准化步骤，可以直接用于差异分析。

🔵第二类：需要进行log2标准化的数据

这种数据也有明显的几个特征：👇

• 数据类型是小数而不是整数
• 表达量数值很大，几百上千上万都有

这种数据就是没经过log2转化后的矩阵，我们需要对它进行转换。转换方法也很简单，直接log2(exp)即可

log2转换是将数据转换为以2为底的对数。这个方法可以将基因表达量转换为“fold change”，即相对于参考样本的基因表达量的增长或减少的倍数。这对于比较不同样本间的差异很有用，因为它考虑了基因表达量的相对大小。

除了用肉眼判断，其实还有一种更可靠的方法，就是用R代码来进行判断：

ex <- exprSet #把需要判断的矩阵命名为ex
qx <- as.numeric(quantile(ex, c(0., 0.25, 0.5, 0.75, 0.99, 1.0), na.rm=T))
LogC <- (qx[5] > 100) ||
  (qx[6]-qx[1] > 50 && qx[2] > 0) ||
  (qx[2] > 0 && qx[2] < 1 && qx[4] > 1 && qx[4] < 2)
if (LogC) { ex[which(ex <= 0)] <- NaN
exprSet <- log2(ex)
print("log2 transform finished")}else{print("log2 transform not needed")}

将以上代码复制粘贴进R语言中，把ex赋值成自己的表达矩阵，然后可以直接运行进行判断。

如果你的矩阵不需要进行log2转换，则会返回

[1] "log2 transform not needed"`

如果你的矩阵需要进行log2转换，这个代码会自动为你进行log2转换，然后返回

[1] "log2 transform finished"`

🔵第三类：Z-score标准化

这种数据的几个特征：👇

• 数据类型是非负整数而不是小数
• 表达量有很多的0出现

这种数据我们不能用log2转换，因为log的底数不能为0，因此我们要用另一种标准化方法——Z-score标准化

Z-score标准化是将数据转换为其均值为0，标准差为1的形式。这个方法可以消除不同基因的绝对大小的差异，并使得数据在相同的尺度上。这对于研究基因表达量的变化趋势很有用。 对每个基因，你需要计算这个基因在所有样本中的均值和标准差，然后将每个样本的表达量减去均值，再除以标准差。

🔶测序数据（RNA-seq）

测序数据的标准化方法无非就是，TPM、RPKM/FPKM

这三者（准确来说是两者） 的区别目前的讨论还较多，没有人能给出一个准确且清晰的定义，以及使用情况。缺少有力的参考资料和推算过程来说明他们的区别。

🤔后记：

我查阅了大量关于基因芯片和RNA-seq标准化的资料，目前中文网站上很少有相关的资料，甚至外文网站对于标准化的适用情况的描述都是很模糊的，各执一词，可见标准化在实际操作中其实是非常混乱的。😓很多科研人员自己也搞不清楚的，都是一个模仿另一个这么来做。

如果有人对于标准化有更加深刻的理解，欢迎在我的公众号留言，或者私聊，我们一起探讨。😁

所有文章均为markdown制作，MD源文件可以在微信公众号后台回复相应暗号后得到下载链接。

-此篇文章的暗号为1909。

*我也准备了两份标准化代码，分别是log2标准化和Z-score标准化，后台回复log2和Z可获得R代码下载链接。