昨天我们GEO数据库的检索方式。但是对于里面的每一个数据集内容没有详细的解释,这次呢,我们就来介绍一下每个数据集里面包括哪些内容。
这次我们用GSE79973数据集进行介绍。(https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE79973)
1
对于一个数据集而言,首先能看到的是提交这个数据的作者对于这个数据集的基本介绍。其中包括了数据集的题目、检测的物种、测序的类型和实验的整体设计。
我们主要是通过这一部分来选择我们想要的数据集,数据集是否符合我们的要求还是看我们想要做什么样子的分析。最基本的需要确定的就是:疾病分组、所用物种以及测序类型是否是我们想要的就行。
2
在这一部分我们能看到提交数据的作者的信息。
在这里面,我们主要还是看作者之前用这个数据集发表了什么文献,了解了人家发表了什么,我们才能去找其他方面的创新点。
3
数据集所有的平台(Platforms),也就是我们指我们是用什么公司的什么检测技术来做的数据。例如,这个数据集就是用了Affymetrix公司的Human Genome U133 Plus 2.0芯片。
这里的平台还要出了告诉我们是用什么技术做的数据。另外的话,如果是芯片数据的话。还会包括一个注释文件。这里简单的说一下注释文件这个东西。
注释文件:类似于密码解读器一样。我们在做芯片检测的时候,检测的一般都是一些核苷酸序列。这个就类似于一段看不懂的密码。对于我们而言,其实只是想知道基因的变化。通过注释文件,我们就知道一段段的密码对应的是什么基因了。那这段密码的变化也就代表这个基因的变化了。
拿这个表达谱芯片而言,我们点击GPL570的链接,就可以看到这个芯片的注释文件了。
4
再往下,我们看到的就是样本信息了。每一个数据集都包括很多个样本。每个样本的基本信息,我们就可以在这个部分看到。
通过下图,可以看到这个数据集包括20个样本。其中10个是胃癌组织,另外十个则是正常对照组织。
所以对于GEO的数据而言,如果是GSE开头的就是数据集;如果是GSM开头的就是数据集里面的一个样本。
5
在原始数据下载部分,GEO提供了多种下载方式。对于我们而言,如果想要下载原始数据的话,下载 矩阵文件(Series Matrix File(s)) 即可。如果一定要最原始的数据的话,则可以下载下面那个附加文件。
我们在下载了矩阵文件,解压之后可以用excel打开。
打开之后,主要也包括三种信息:
数据集的信息: 以Series开头
每一个样本的信息: 以sample开头。这里有时候会包括一些临床信息的。有的比如每个样本的TNM分期;预后信息都很良心的放到里面的。
基因每一个ID在每个样本之间的表达信息。第一列是每一个探针的ID号,至于这个ID号对应的基因是什么。可以去注释文件当中找的
对于高通量数据而言,我们在得到这么多维度的数据,可以做点儿什么呢?
对于表达数据的分析,第一步要做的往往是找哪些在不同的疾病分组当中,存在差异的基因有哪些?这个俗称差异表达分析。如果我们只是来做差异表达分析的话,那其实也不用下载原始数据。在GEO里面有一个自带的工具就可以做。这个工具叫做GEO2R。这个我们明天在介绍。
PS: 那既然在线软件可以做了,为啥还要下载原始数据呢?原始数据其实也可以做其他的分析的嘛。我们矩阵当中一行就代表一个基因在各个样本的表达量,那例如:作者还提供了样本信息,比如说,提供了癌症患者的生存信息,那我们就可以来做每个基因是不是和生存有关系了。如果提供了TNM分期,那也就可以分析每个基因和TNM分析有没有关系了。至于如何分析嘛,最简单的SPSS应该还是可以做的吧。
联系客服