根据GEO的GSE数据集编号自动下载和处理GEO数据教程
NCBI GEO网站介绍
NCBI GEO数据库(Gene Expression Omnibus)是一个全球最大的生物医学领域的公共数据库平台,用于存储基因组学数据,包括基因表达数据、染色质状态和基因组变异等。研究人员可以在该平台上查找、下载和分析各种基因表达数据集,以便进行生物信息学和生物医学研究。NCBI GEO数据库提供了丰富的数据资源和分析工具,是生命科学领域的重要研究工具之一。大量生物医学领域发表的论文使用的公共数据集也一般是来自GEO数据库的数据集。
GEO数据库中的数据集按照一系列预定义的格式和标准进行提交和组织,主要包括以下几种格式:
GSE(Gene Series):表示一个或多个实验的数据集,通常包含多个样本。
GSM(Sample Series):表示单个实验中的一个样本。
GPL(Platform):描述用于实验的数据采集平台的详细信息,包括探针序列、实验条件等。
GDS(Series Matrix File):包含一个GSE或GSM数据集的详细矩阵表格,其中行表示基因,列表示样本,单元格中的值表示基因在样本中的表达水平。
配置aria2c高效下载支持断点续传的下载神器来加速GEO的数据下载
该部分的教学视频链接
使用支持断点续传更好用下载神器aria2c在国内也能稳定快速下载GEO数据
在D:/omics_tools目录下创建一个aria2的目录,从我的生信q群931846486里下载aria2c.exe软件包到D:/omics_tools/aria2目录下就可,不需要安装,只需要把这个aria2c.exe放到该目录就行了。
配置aria2c的环境变量
环境变量的配置示意图
检测aria2c的环境变量是否配置成功
新打开一个cmd命令提示符,输入which aria2c, 看看是否会返回aria2c的路径
如果成功返回了aria2c的路径,至此,aria2c下载工具就配置完成了。
根据GSE id自动下载处理GEO数据(必须要运行的模块)
该模块的教学视频链接
根据GSE id自动下载处理GEO数据
GEO分析流程视频讲解
分析参数详细解释
func_gse__id:要下载的GSE数据集
nested_function:是否嵌套函数
run_file_path: 数据要下载到的目录
run_read_file:是否要读取文件
run_add_save_file_prefix:是否要添加结果保存文件的前缀
提交
参数指定的默认值
func_gse__id: GSE61763 ;
nested_function: TRUE ;
run_file_path: D:/omics_tools/demo_data/res_dir/renal_cancer ;
run_read_file: FALSE ;
run_add_save_file_prefix: FALSE
窗口截图
窗口截图
运行中的显示信息
分析正在执行中,请稍后, 运行结果保存的目录位置为: D:/omics_tools/demo_data/res_dir\res_dir; 运行结果日志保存的路径为: D:/omics_tools/demo_data/res_dir\res_dir\renal_cancer_last_final_run_res_log.csv
运行完成的显示信息
执行已完成,运行结果保存的目录位置为: D:/omics_tools/demo_data/res_dir/renal_cancer; 分析结果日志保存的路径为: D:/omics_tools/demo_data/res_dir/renal_cancer\renal_cancer_last_final_run_res_log.csv
下载整理到的结果文件展示
结果文件列表
结果文件列表
样本注释文件信息
样本的注释信息文件
基因表达矩阵
基因表达矩阵文件
该根据GSE id自动下载处理GEO数据的GEO下载模块的常见问题答疑详解
GEO的数据集格式多种多样,使用该模块下载GEO数据集最好的情况下得到的结果是什么样的?
最好的结果就是下图这样,直接通过该模块点击下载后,会得到下面这些下载提取整理好的文件:
结果文件列表
GEO的数据集格式多种多样,使用该模块下载GEO数据集第二好的情况下得到的结果是什么样的?遇到这种情况该怎么处理?
提取到了GEO数据集的表达矩阵文件,如GSE20842_exp_matrix0.csv,GSE20842_exp_matrix0.rds,但是这个表达矩阵有个问题就是,行名不是基因名称,而是探针名称,所以我对这个文件名称做了一些修饰,如果文件名后缀是exp_matrix0.csv,那么这样的表达矩阵里面基本上是没有注释好基因名称,需要在手动下载一下GEO的GPL文件从GPL文件中提取出基因的注释信息再跟表达矩阵合并,这样的处理作为我也有详细的处理教程来教大家怎么做,如果文件后缀就是exp_matrix.csv,那么就是已经成功把基因名称提取出来并整合到表达矩阵中了。对于没有基因名称只有基因探针的表达矩阵,可以用下面这两个模块进行处理:
得到样本的注释信息文件: 如GSE20842_sample_info.csv,
得到了使用表达矩阵,探针信息,样本注释信息等数据构建的ExpressionSet对象格式文件,如GSE20842_eset.rds 文件
GEO的数据集格式多种多样,使用该模块下载GEO数据集得到的文件比较差的情况是什么样的?遇到这种情况该怎么处理?
比如像这个例子中,只下载到了GSE158055_sample_info.csv这样的样本分组注释信息文件,这种GEO的GSE数据集一般都是没有提供有效的series_matrix文件,导致没法使用GEO下载工具下载,只能进入该GSE数据集的GEO网页下进行手动下载表达数据文件或一个GSEXXX_RAW.tar的压缩包文件。我这里有四个模块可以对转录组或各种平台的基因芯片的RAW.tar压缩包内的多样本表达数据进行整合和处理。
2.根据多个GSE id自动批量下载处理GEO数据
如果大家一次要下载很多个GSE数据集的数据的话,可以使用这个模块进行批量下载多个GSE数据集中的数据。
该模块的教学视频链接
根据多个GSE id自动批量下载处理GEO数据
分析参数详细解释
func_write_download_status:将下载和数据处理是否成功的信息写入到file_path中,默认是TRUE
nested_function:是否嵌套函数
run_file_path:要自动批量下载和处理的带有gse_id列表的文件路径,例如:D:/omics_tools/demo_data/gse_list_info.csv
run_read_file:是否要读取文件
run_add__res__dir:是否要新建结果目录
run_add_save_file_prefix:是否要添加结果保存文件的前缀
run_add__parent__dir:是否在上一级目录下创建目录或保存结果
提交
参数给定的默认值
func_write_download_status: TRUE ;
nested_function: TRUE ;
run_file_path: D:/omics_tools/demo_data/gse_list_info.csv ;
run_read_file: FALSE ;
run_add__res__dir: FALSE ;
run_add_save_file_prefix: FALSE ;
run_add__parent__dir: FALSE
输入文件信息
窗口截图
窗口截图
运行中的显示信息
执行中,请稍后, 运行结果保存的目录位置为: D:/omics_tools/demo_data; 分析结果日志保存的路径为: D:/omics_tools/demo_data\gse_list_info_last_final_run_res_log.csv
运行已完成的显示信息
执行已完成,运行结果保存的目录位置为: D:/omics_tools/demo_data; 分析结果日志保存的路径为: D:/omics_tools/demo_data\gse_list_info_last_final_run_res_log.csv
下载结果展示
结果文件列表
领取专属 10元无门槛券
私享最新 技术干货