100个GEO基因表达芯片或转录组数据处理之GSE89632（001）

写在前边

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

数据信息检索

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

使用GEOquery包下载数据

using(tidyverse, GEOquery, magrittr, data.table, AnnoProbe, clusterProfiler, org.Hs.eg.db, org.Mm.eg.db)

注：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

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）

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

数据大小大于50需要取log2

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

GPL14951-11332.txt可以直接从GEO网站下载

probe2symbol <- fread("GPL14951-11332.txt") %>% 
    dplyr::rename(ProbeID = ID) %>% 
    dplyr::mutate(Feature=as.character(Entrez_Gene_ID)) %>% 
    dplyr::select(ProbeID, Feature) %>% drop_na()

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

maps <- clusterProfiler::bitr(geneID = probe2symbol$Feature,fromType = "ENTREZID",toType = "SYMBOL",OrgDb = org.Hs.eg.db)

合并数据库，最终得到了探针与基因Symbol对应关系

probe2symbol %<>% merge(maps,by.x='Feature',by.y='ENTREZID') %>% dplyr::select(ProbeID, SYMBOL) %>% dplyr::rename(Feature=SYMBOL)

ID转换

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@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"))