GEO数据挖掘

图标介绍

GEO有火山图、箱线图、热图、PCA、散点图

热图

输入数据是数值型矩阵/数据框

颜色的变化代表数值的大小

散点图和箱线图

输入数据是一个连续型向量和一个有重复值的离散型向量

箱线图的上下5条线代表散点图的分布。

箱线图：单个基因在组之间的表达量差异，必须知道每个组是对照组还是实验组。R语言中同一个分组对应一个关键词，比如对照组不能写成对照1，对照2，这样就不能把对照归为一类。

对于有差别的基因用logFC和p-value来看区别

FC：处理组平均值/对照组平均值

表达芯片的差异分析我们得到的矩阵已经是log后的矩阵，所以logFC=处理组的数据平均值-对照组数据的平均值

Notice: logFC>1500说明处理组比对照组上调了无穷大的倍数，这说明处理数据时可能没有取log。

火山图

通常所说的上调、下调基因是指表达量显著上升、下降的基因。（显著和p-value相关）

我们所说的上调或显著性是根据我们自己设置的阈值来判断

横坐标：logFC的常见阈值有1，2，1.2，1.5，0.585=log2（1.5）

纵坐标：-log 10(P.Value) 越往上p.value越小，显著性越显著。p-value的阈值一般为0.01和0.05

主成分分析PCA

旨在利用降维的思想，把多指标转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的距离越远，说明样本差异越大。

在生物分析中，多指标指的是多个基因，综合指标并没有明确意义。

每个点代表每个样本，点与点之间的距离代表两个样本之间的差异性。

横纵坐标是主成分1和主成分2，括号里的数之和解释数据变化的百分之多少，两者之和能解释60%就已经很好了，但我们一般不看这些数。

我们可以看到中间有一个点很大，这个不是样本，而是中心点。

适用情况

左上我们可以看到蓝色组内没有聚成一簇，可以继续分析蓝色组内是否存在差异基因

左下每个组只有3个样本，没办法画圈圈。

右边发现组间差别小，那就没必要再做正式实验了。分析完PCA就可以去做热图了

GEO背景知识+表达芯片的分析思路

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。

notice:差异分析是两组之间的比较，看logFC

思路：有差异的材料-差异基因-找功能/关联-解释差异，缩小基因氛围

数据库介绍

NCBI上的gene expression omnibus(GEO),里面有网页工具“GEO2R”。优点是不用学编程语言，简单；缺点是需要一个一个点，不能批量操作。

提交给GEO的有样本数据（GSM）、一个完整的研究并提供整个研究的描述，包括对数据的描述，总结分析（GES）、用户测定表达量使用的芯片/平台（GPL）。

基因表达芯片的原理

探针的表达量来代表基因的表达量。

探针是与基因互补杂交的序列。现在的核苷酸探针有25、60甚至更长。

分析思路：

找数据，找到GSE编号-下载数据（表达矩阵、分组信息和GPL编号）-数据探索（分组之间是否有差异、PCA、热图）-差异分析及可视化（P值、LogFC，火山图、热图）-富集分析KEGG、GO

不同文章可以分析同一组数据，但方法不一样

表达矩阵

一行是一个探针id，一列是一个样本编号（GSM）

探针id最后转换成基因名称

样本编号要归结到分组信息

富集分析

输入数据是差异基因的entrezid id（id可以用symbol基因名来表示，也可以用entrezid（富集分析指定用）来表示）

KEGG数据库

把基因及表达信息作为一个整体的网络。研究基因在哪些通路上。

GO数据库

细胞组分

分子功能

生物过程

R包上进行基因差异及富集分析的包：cluster profile

富集分析结果

第一列是通路，gene id是在该通路上的基因id，count 代表在该通路上基因的数目。

generatio: A/B A:差异基因中有多少属于这条通路;B:差异基因中有多少个被数据库收录

bgratio：A/B A:该通路总共有多少个基因；B：数据库总共收录了多少个基因。