GEO数据挖掘—1

GEO数据挖掘—1

一、图表介绍

（一）热图

输入数据是数值型矩阵/数据框，颜色的变化表示数值的大小

（二）散点图

箱线图（单个基因在两组之间的表达量差异）

单个基因的组间比较用箱线图，多个基因用差异分析。

（三）火山图

火山图的解读

logFC是火山图的横坐标，范围基本是个位数的变化。2的几次方。

纵坐标是基因的-log10（pvalue）

Foldchange(FC):处理组平均值/对照组平均值

logFC： FC取 log2

logFC > 0，treat>control，基因表达量上升（而不是上调，上下调要结合p值来定义）

logFC < 0，treat<control，基因表达量下降（而不是下调）

pvalue越小，越有信心认为差异显著，-log10（Pvalue）越大。

（四）主成分分析（PCA图）

主成分分析，旨在利用降维的思想，把多指标转化为少数几个综合指标（即主成分）。根据这些主成分对样本进行聚类，代表样本的点在坐标轴上距离越远，说明样本差异越大。

图上的点代表样本（中心点除外），点与点之间的距离代表样本与样本之间的差异。点与点之间的距离越大，代表样本与样本之间的差别越大。

实践中的应用

二、GEO背景知识和表达芯片分析思路

（一）表达数据实验设计

实验目的：通过基因表达量数据的差异分析和富集分析来解释生物学现象

有差异的材料——差异基因——找功能/关联——解释差异，缩小基因范围

（二）数据库介绍

样本：用户提交给GEO的样本数据（GSM）

系列：一个完整的研究，并提供了整个研究的描述，包括对数据的描述，总结分析。（GSE）

平台：用户测定表达量使用的芯片/平台（GPL）

分析思路

(1)找数据，找到GSE编号

(2)下载数据（用R语言的代码可以下载，从中找到两个信息，一个是表达矩阵，一个是临床信息（分组信息））

(3)数据探索（分组之间是否有差异，PCA、热图）

(4)差异分析及可视化（p值，logFC，火山图、热图）

(5)富集分析KEGG、GO

（三）表达矩阵

行名是探针id（约等于基因，探针id需要转换为gene symbol），列名是样本编号（以GSM开头，需要分组信息）。

（四）富集分析

输入数据：差异基因的entrezid

基因的命名方式有很多，常说的基因名：SYMBOL，ENTREZID：是富集分析指定使用的id。这两个命名方式不是一一对应的。

富集分析使用的数据框——KEGG数据库/GO数据库

理解GeneRatio / BgRatio

富集分析是衡量每个通路中的基因在差异基因里是否足够多。

富集分析的可视化：气泡图，柱状图