芯片探针注释基因ID或者symbol，并对每个基因挑选最大表达量探针 | 生信菜鸟团

在R里面实现这个功能其实非常简单，难的是很多packages经常会出现安装问题，更有的人压根不看芯片平台是什么，芯片对应的package是什么，就开始到处发问，自学能力实在是堪忧！

我前面有写目前所有bioconductor支持的芯片平台对应关系：通过bioconductor包来获取所有的芯片探针与gene的对应关系

但那其实是一个很笨的办法，得到所有的各式各样的探针ID与基因的对应关系，以为它绕路了，正常情况只需要在GEO里面找到芯片对应基因关系即可，没必要下载那么多package的，但是这样做的好处也是很明显的， 对很多初学者来说，如果package能解决的话，就省心很多，比如下面这个转换关系：

suppressPackageStartupMessages(library(CLL))

## 这个package自带了一个数据，是我们需要用的

data(sCLLex)  ## 这个数据里面有24个样本，分成两组，可以直接拿来测试差异基因分析

library(hgu95av2.db)  ## 一定要搞清楚自己的芯片是什么数据包

## 常见的芯片平台，都是有对应的bioconductor数据包的

exprSet=exprs(sCLLex)  ##得到表达数据矩阵，但是矩阵的行名，是探针ID，无法理解，需要转换

##首先你取出所有的探针ID，#这里可以用三种方法来得到symbol，或者得到entrezID也可以

probeset=rownames(exprSet)

Symbol=as.character(as.list(hgu95av2SYMBOL[probeset]))

#annotate包提供              getSYMBOL( probeset ,”hgu95av2″ )

#还可以用lookUp函数     lookUp( probeset , “hgu95av2″, “SYMBOL”)

#这些只是技巧而已啦

a=cbind.data.frame(Symbol,exprSet)

## 下面这个函数是对每个基因挑选最大表达量探针

rmDupID <-function(a=matrix(c(1,1:5,2,2:6,2,3:7),ncol=6)){

  exprSet=a[,-1]

  rowMeans=apply(exprSet,1,function(x) mean(as.numeric(x),na.rm=T))

  a=a[order(rowMeans,decreasing=T),]

  exprSet=a[!duplicated(a[,1]),]

  #exprSet=apply(exprSet,2,as.numeric)

  exprSet=exprSet[!is.na(exprSet[,1]),]

  rownames(exprSet)=exprSet[,1]

  exprSet=exprSet[,-1]

  return(exprSet)

}

exprSet=rmDupID(a)

对每个基因挑选最大表达量探针，只是一种处理方法而已，只是我一般处理芯片是这样做的，并不一定就是最好的！