虽然现在是高通量测序的时代,但是GEO、ArrayExpress等数据库储存并公开大量的基因表达芯片数据,还是会有大量的需求去处理芯片数据,并且建模或验证自己所研究基因的表达情况,芯片数据的处理也可能是大部分刚学生信的道友入门R语言数据处理的第一次实战,因此准备更新100个基因表达芯片或转录组高通量数据的处理。 注:之前写的版本有误,因此删除重新推送 可以看到GSE89632是基因表达芯片数据,因此可以使用GEOquery包下载数据 注: 这部分是很关键的,可以筛选一下分组表型信息,只保留自己需要的样本,在这里只保留diagnosis:ch1中HC和NASH的样本,作为后续分析的样本(根据自己的研究目的筛选符合要求的样本) 数据大小大于50需要取log2 GPL14951-11332.txt可以直接从GEO网站下载 我们从中GPL14951-11332.txt得到的是NCBI数据库中的Entrez ID,需要使用clusterProfiler包把它转换为基因Symbol 合并数据库,最终得到了探针与基因Symbol对应关系 把表达矩阵中的探针名转换为基因名;transid是我写的一个R函数,有需要可以联系我的公众号写在前边
数据信息检索
使用GEOquery包下载数据
using(tidyverse, GEOquery, magrittr, data.table, AnnoProbe, clusterProfiler, org.Hs.eg.db, org.Mm.eg.db)
using
是我写的函数,作用是一次性加载多个R包,不用写双引号,并且不在屏幕上打印包的加载信息,可以参考之前的推文using的定义;函数名字using是在模仿Julia语言中的包加载函数geo_accession <- "GSE89632"
gset <- GEOquery::getGEO(geo_accession, destdir = "./", AnnotGPL = F, getGPL = F)
eSet <- gset[[1]]
gpl <- eSet@annotation处理表型数据
pdata <- pData(eSet)
geo_accession age (y):ch1 diagnosis:ch1 fibrosis (stage):ch1 gender:ch1 GSM2385720 60 SS 0 female GSM2385721 52 NASH 4 female GSM2385722 60 SS 1 female GSM2385723 46 SS 0 male GSM2385724 47 SS 0 female GSM2385725 30 SS 0 male pdata %<>%
dplyr::mutate(
Sample = geo_accession,
Group = case_when(`diagnosis:ch1` == "HC" ~ "Control", `diagnosis:ch1` == "NASH" ~ "Case", TRUE ~ NA),
Age = `age (y):ch1`,
Sex = str_to_title(`gender:ch1`),
Stage = `fibrosis (stage):ch1`
) %>%
dplyr::filter(!is.na(Group)) %>%
dplyr::select(Sample, Group, Age, Sex)处理表达谱数据
exprs_mtx <- exprs(eSet)
if(max(exprs_mtx, na.rm = TRUE)<50 | min(exprs_mtx, na.rm = TRUE)<0){
message("基因表达最大值小于50或者最小值小于0不需要log转化")
}else {
message("基因表达最大值大于50需要log转化")
exprs_mtx <- log2(exprs_mtx+1)
}
probe_exprs <- as.data.table(exprs_mtx, keep.rownames = "ProbeID")探针与基因Symbol对应关系
probe2symbol <- fread("GPL14951-11332.txt") %>%
dplyr::rename(ProbeID = ID) %>%
dplyr::mutate(Feature=as.character(Entrez_Gene_ID)) %>%
dplyr::select(ProbeID, Feature) %>% drop_na()maps <- clusterProfiler::bitr(geneID = probe2symbol$Feature,fromType = "ENTREZID",toType = "SYMBOL",OrgDb = org.Hs.eg.db)
probe2symbol %<>% merge(maps,by.x='Feature',by.y='ENTREZID') %>% dplyr::select(ProbeID, SYMBOL) %>% dplyr::rename(Feature=SYMBOL)
ID转换
@生信探索
,加入交流群fdata <- transid(probe2symbol, probe_exprs)
保存数据
common_samples <- base::intersect(colnames(fdata),pdata$Sample)
fdata %<>% select(Feature,all_of(common_samples))
fwrite(fdata, file = stringr::str_glue("{geo_accession}_{gpl}_fdata.csv.gz"))
pdata %<>% dplyr::filter(Sample %in% common_samples)
fwrite(pdata, file = stringr::str_glue("{geo_accession}_{gpl}_pdata.csv"))
联系客服