100个GEO基因表达芯片或转录组数据处理
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。
数据信息检索
可以看到GSE24807是基因表达芯片数据，因此可以使用GEOquery包下
使用GEOquery包下载数据
remotes::install_github('ScienceAdvances/using')
using::using(tidyverse, GEOquery, magrittr, data.table, AnnoProbe, clusterProfiler, org.Hs.eg.db, org.Mm.eg.db)
注：using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
因为文件太大，在R内下载失败，可通过图片中的方法下载文件，GEOquery::getGEO直接读取本地的文件。
geo_accession <- "GSE24807"
eSet <- getGEO(filename=stringr::str_glue('{geo_accession}_series_matrix.txt.gz'), AnnotGPL = F, getGPL = F)
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，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)
pdata %<>%dplyr::mutate(Sample = geo_accession,Group = case_when(`disease state:ch1`=='non-alcoholic steatohepatitis (NASH)'~'NASH',`disease state:ch1`=='normal (control)'~'Control',TRUE~NA)) %>%drop_na(Group) %>% dplyr::select(Sample,Group,everything())
处理表达谱数据
数据大小不大于50不需要取log
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
从https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GPL2895下载注释文件GPL2895.annot.gz，从中获取探针与GeneID对应关系
idmaps <- function(ann_file, ProbeID = "ID", Feature = "Symbol", skip = 229, pattern = "control") {temp <- fread(ann_file, skip = skip, nThread = 8)vars <- c(ProbeID, Feature)temp <- temp[, ..vars]data.table::setnames(temp, c("ProbeID", "Feature"))temp %<>% tidyr::separate_longer_delim(cols=Feature, delim=" /// ") %>% data.table::as.data.table()temp %<>% tidyr::separate_longer_delim(cols=Feature, delim="///") %>% data.table::as.data.table()temp <- temp[!is.null(Feature), ][!is.na(Feature), ][Feature != "", ][Feature != "---", ][!stringr::str_detect(string = Feature, pattern = pattern), ]return(as.data.frame(temp))
}
probe2symbol <- idmaps('GPL2895.annot.gz', Feature = "Gene symbol", skip = 27)
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，有需要可以加我（18983376561），进入交流群
fdata <- transid(probe2symbol, probe_exprs)
保存数据
common_samples <- base::intersect(colnames(fdata),pdata$Sample)
fdata %<>% select(all_of(c("Feature",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"))
