轻松获取GSE matrix文件等稳定下载链接

原创

叶子Tenney

发布于 2023-03-17 16:39:57

1.2K2

发布于 2023-03-17 16:39:57

文章被收录于专栏：叶子的数据科技专栏

引言

当我们想获得一个gse的matrix文件和补充文件,

一般情况下可以直接用网页下载,

用 R 的话也可以使用 getGEO(gse) 和 getGEOSuppFiles(gse)函数 ,

但是如果在服务器或者网络非常不好的情况下,

就必须依赖可以断点续传而又网速稳定的ftp链接,

那么如何方便的获得这些链接呢?

当然是上代码和做网页啦~

效果展示

网页地址:

getgeofilelinks.yeyeziblog.eu.org

当输入GSE号, 可以有两种选择, 第一是获得matrix文件地址, 第二是补充文件地址, 而如果使用GPL文件, 可以获取注释文件地址.

过程

首先, 使用过 GEOquery 包的话, 大家一定都看见过在下载之前有一个一闪而过的链接, 这个链接就是之前说的"可以断点续传而又网速稳定的ftp链接"了, 但是我们当然不能每一次需要这个链接就使用一次 getGEO(gse) , 那样反而是本末倒置了.

r$> getGEO("gse17536")
Found 1 file(s)
GSE17536_series_matrix.txt.gz
trying URL 'https://ftp.ncbi.nlm.nih.gov/geo/series/GSE17nnn/GSE17536/matrix/GSE17536_series_matrix.txt.gz'
Content type 'application/x-gzip' length 52242943 bytes (49.8 MB)

事实上这个链接可以在浏览器打开, 会直接下载一个压缩文件, 如果在链接中去掉文件名, 可以看到这个储存点的庐山真面目:

https://ftp.ncbi.nlm.nih.gov/geo/series/GSE17nnn/GSE17536/matrix/

基于此, 有大佬设计了基于文本替换和网页元素爬取的ftp链接获取代码, 我又稍加修改, 加入了GPL的注释信息链接获取. 在此再次特别感谢🙏Horan Chen, 在生信的学习路上教了我许多许多东西, 无疑是一位技术高超又乐于助人的Linus Torvalds式人物, 这里是他的公众号, 生命数据科学 , 希望大家多多关注, 一起学知识.

# functiion for getting filelinks
getFileList <- function(gseAcc, typeDown = "matrix") { # gseAcc <- "GSE166424"
    # get file directional content
    getDirListing <- function(url) {
        # Takes a URL and returns a character vector of filenames
        a <- xml2::read_html(url)
        fnames <- grep("^G", xml_text(xml_find_all(a, "//a/@href")), value = TRUE)
        return(fnames)
    }

    # get a type of file
    if ("matrix" %in% typeDown) {
        gdsurl <- "https://ftp.ncbi.nlm.nih.gov/geo/series/%s/%s/matrix/"
    } else if ("suppl" %in% typeDown) {
        gdsurl <- "https://ftp.ncbi.nlm.nih.gov/geo/series/%s/%s/suppl/"
    } else if ("annot" %in% typeDown) {
        gdsurl <- "https://ftp.ncbi.nlm.nih.gov/geo/platforms/%s/%s/annot/"
    }

    # merge links in list
    stub <- gsub("\\d{1,3}$", "nnn", gseAcc, perl = TRUE)
    b <- getDirListing(sprintf(gdsurl, stub, gseAcc))
    ret <- list()
    for (x in 1:length(b)) {
        ret[[x]] <- sprintf(
            paste0(gdsurl, "%s"),
            stub, gseAcc, b[x]
        )
    }
    merge <- c(unlist(ret))
    print(merge)
    return(merge)
}
# 获取GSE166424的补充文件和matrix文件下载链接
getFileList("GSE166424", typeDown = "suppl")
getFileList("GSE166424", typeDown = "matrix")
getFileList("GPL570", typeDown = "annot")

然后, ChatGPT的帮助下我们获得了一个shinyAPP代码:

library(shiny)
library(xml2)
library(DT)
library(shinyjs)

# Define UI
ui <- fluidPage(
    useShinyjs(),
    titlePanel("GEO File Downloader"),
    sidebarLayout(
        sidebarPanel(
            textInput("geoID", "Enter a GEO accession number:"),
            uiOutput("fileType"),
            actionButton("submitBtn", "Submit")
        ),
        mainPanel(
            DTOutput("fileList")
        )
    )
)

# Define server
server <- function(input, output) {
    # Define function to get directory listing
    getDirListing <- function(url) {
        a <- read_html(url)
        fnames <- grep("^G", xml_text(xml_find_all(a, "//a/@href")), value = TRUE)
        return(fnames)
    }

    # Determine file type options based on input type
    output$fileType <- renderUI({
        if (grepl("^GSE", input$geoID)) {
            selectInput("fileOption", "Choose file type:", c("matrix", "suppl"))
        } else if (grepl("^GPL", input$geoID)) {
            selectInput("fileOption", "Choose file type:", "annot")
        }
    })

    # Get list of files and display in table when submit button is clicked
    output$fileList <- renderDT(
        {
            req(input$submitBtn)
            if (input$fileOption == "matrix") {
                gdsurl <- "https://ftp.ncbi.nlm.nih.gov/geo/series/%s/%s/matrix/"
            } else if (input$fileOption == "suppl") {
                gdsurl <- "https://ftp.ncbi.nlm.nih.gov/geo/series/%s/%s/suppl/"
            } else if (input$fileOption == "annot") {
                gdsurl <- "https://ftp.ncbi.nlm.nih.gov/geo/platforms/%s/%s/annot/"
            }
            stub <- gsub("\\d{1,3}$", "nnn", input$geoID, perl = TRUE)
            b <- getDirListing(sprintf(gdsurl, stub, input$geoID))
            ret <- list()
            for (x in 1:length(b)) {
                ret[[x]] <- sprintf(
                    paste0(gdsurl, "%s"),
                    stub, input$geoID, b[x]
                )
            }
            merge <- c(unlist(ret))
            output <- data.frame("File Name" = merge)
            output$file_link <- sprintf("<button class='btn btn-primary' onclick='copyToClipboard(\"%s\")'>Copy Link</button>", output$File.Name)
            output <- cbind(output$file_link, output)
            output <- output[, c(2, 1)]
            output
        },
        escape = FALSE,
        rownames = FALSE,
        options = list(
            dom = "Bfrtip",
            buttons = list("copy")
        )
    )
}

# Run the application
shinyApp(ui = ui, server = server)

library(GEOquery)
getGEO("gse17536")

上传到github

首先, 创建一个空仓库, 之后到本地文件夹内:

git init
git remote add origin git@github.com:username/reponame
git branch -M main

然后就可以用脚本自动化

# #!/bin/zsh

SHELL_FOLDER=$(cd "$(dirname "$0")";pwd)
echo $SHELL_FOLDER
cd $SHELL_FOLDER
git add .
commitTime=`date +"%Y-%m-%d %H-%M-%S"`
git commit -a -m "${commitTime}"
git push origin main

位置于 https://github.com/sandy9707/getGEOFileLinks.git