GEO数据挖掘 |
您所在的位置：网站首页 › dna数据怎么对比分析 › GEO数据挖掘 |
GEO数据挖掘
|
From生物技能树 GEO数据挖掘第一节 （pipeline） 文章目录 1.图表分析2.GEO背景介绍及分析思路3.代码分析流程4.复杂数据分析理论知识1.数据从哪里来2.有什么类型的数据可挖掘3.如何筛选基因（分析方法）在这里插入图片描述 图表介绍1.热图2.散点图和箱线图3.火山图4.主成分分析图 如何查找数据，GEO数据库1.表达数据实验设计2.数据库介绍 分析思路需要整理的信息芯片差异分析所需的输入数据 代码分析流程(在pipeline文件夹)安装 R 包下载数据，提取表达矩阵和临床信息提取表达矩阵exp检查表达矩阵是否异常提取临床信息提取芯片平台编号，后面要根据它来找探针注释 Group(实验分组)和ids(探针注释)实验分组的设置 需要把Group转换成因子，因子非常适合组织有重复值的向量，并设置参考水平，指定levels，对照组在前，处理组在后探针注释的获取运行 find_anno(gpl_number) 代码会出现的报错：解决办法：查看ids,要求ids只能有两列，第一列探针id，第二列symbol,并且列名都要是小写的列名 1.图表分析 2.GEO背景介绍及分析思路 3.代码分析流程 4.复杂数据分析提示：这是GEO数据挖掘的大概内容： 理论知识广义的基因有 6w+个，如何缩小范围到课题相关？ 1.数据从哪里来
基因表达芯片 转录组 单细胞 突变(外显子)、甲基化、拷贝数差异。。。 3.如何筛选基因（分析方法）
图表介绍
1.热图
输入数据是数值型矩阵/数据框颜色的变化表示数值的大小
2.散点图和箱线图
横坐标是下标/组纵坐标是表达值箱线图的五条线：max、75%、median、25%、min箱线图：用于单个基因在两组之间的表达差异 输入数据是一个连续型向量和一个有重复值的离散型向量 
3.火山图
Foldchange(FC):处理组平均值/对照组平均值 log2Foldchange(logFc):Foldchange取log2 List item火山图：差异分析，用于多个基因在两组间的表达差异横坐标是 logFC，纵坐标是-log10(Pvalue)logFC: Foldchange取log2，Foldchange为处理组表达量平均值/对照组表达量平均值，实际计算时，为先取log2，然后log2(处理组)-log2(对照组)，既没有单位也没有意义，只是一个相对值的意义永远都是处理组-对照组，而不是大的-小的logFC 如果太大：是不是没取 log？顶多在 ±12 之间logFC ＞ 0，treat ＞ control，基因表达量上升logFC ＜ 0，treat ＜ control，基因表达量下降通常所说的上调、下调基因是指表达量显著上升/下降的基因（需要结合显著性p值）logFC 的阈值设置是自行规定的，p 值阈值一般为 0.01，常见的 logFC 阈值有：1、2、1.2、1.5、2.2、（0.585=log2(1.5)：即上升1.5倍），阈值可调。为什么 y 轴要取 lg？把 p 值拉到同一个数量级上，比较好画图  
芯片差异分析的起点是一个取过log的表达矩阵(0-20), 如果拿到的是未log的矩阵(0-很大)，需要自行log 4.主成分分析图1.主成分分析，旨在利用降维的思想，把多指标转化为少数几个综合指标(即主成分) 根据这些主成分对样本进行聚类，代表样本的点在坐标轴上距离越远，说明样本差异越大， 2. 图上的点代表样本（除中心点外），点与点之间的距离表示样本与样本的区别 3. 主成分的值没有意义，是很多个变量降维得到的一个值，dm1和dm2是维度，dm1+dm2>90%， 4. 用处：用于“预实验”简单查看组间是否有差别。同一分组是否聚成一簇(组内 重复好)，中心点之间是否有距离(组间 差别大)。
添加链接描述 点进去series查找自己感兴趣的数据（主要有两种数据类型：基因表达芯片和转录组测序），点开样本查看数据分布范围，有没有全部都在0附近，如果有大量负值，数据不正常。然后查看分组信息。 1.实验目的:通过基因表达量数据的差异分析和富集分析来解释生物学现象 病变组织vs健康组织 药物处理 vs 对照组(水/DMSO) 开花前vs开花后 ·动物/昆虫不同发育期 ·有色/无色果皮 高产/低产品种 有差异的材料→差异基因→找功能/找关联→解释差异,缩小基因范围 2.数据库介绍1.GEO首页有一个GEO2R网页工具，它可以给相应的代码，但是没有判断数据是否正常的机制，使用默认的参数，无法得到全部的默认的基因，代码仅供参考。 1.找数据，找到 GSE 编号 2.下载并读取数据 3.表达矩阵 4.临床信息 → 分组信息：需要自己整理 5.GPL 编号 → 探针注释（每个探针属于哪个基因，探针与基因的对应关系） 6.数据探索：分组之间是否有差异、PCA、热图（离散基因热图） 7.差异分析及可视化：limma包差异分析（P值、logFC）、画图（火山图、差异基因热图） 8.富集分析：GO、KEGG 1.探针 id→ 基因名称 2.GSM 样本 ID→ 分组信息
00_pre_install 全选运行安装里面的 R 包 require(pkg,character.only=T), 这个参数告诉 require() 函数，pkg 是一个字符向量。 下载数据，提取表达矩阵和临床信息 下载数据，大多数情况下只要在 R 中用代码下载即可 rm(list = ls()) #打破下载时间的限制,改前60秒，改后10w秒 options(timeout = 100000) options(scipen = 20)#不要以科学计数法表示 #传统下载方式 #getGEO() 函数是 GEOquery 包提供的一个工具，用于从GEO数据库下载和导入数据集。getGEO()有则直接读取，没有的话就帮忙下载并读取，在工作目录下 library(GEOquery) eSet = getGEO("GSE7305", destdir = '.', getGPL = F) #destdir = '.'是指下载后放在工作目录，getGPL是指不下载GPL文件，下载的话会变得很慢，不需要它网速太慢，下不下来怎么办? 1.从网页上下载/发链接让别人帮忙下，放在工作目录里 2.试试geoChina,只能下载2019年前的表达芯片数据 library(AnnoProbe) eSet = geoChina("GSE7305") #选择性代替eSet = getGEO("GSE7305", destdir = '.', getGPL = F)手动下载的方法： 1.GEO 首页-Series GSE：一个完整的研究，包括实验设计描述、数据描述、总结分析等GSM：用户提交给 GEO 的样本数据GPL：指用户用于测定表达量的芯片平台 2.搜索需要的疾病 3.按 array 筛选检测方法 4.点进一个 GSE 5.Series Matrix File 6.matrix.txt.gz 是表达矩阵的压缩包（至少应该是六七百 k） #下载下来后，研究一下这个eSet class(eSet) ## [1] "list" #返回列表里有几个元素 length(eSet) ## [1] 1 #应该是1，如果有2说明是一个SuperSeries里面有两批测序结果，如果不需要合并的话最好是分开提取，分开分析 eSet = eSet[[1]] #去掉列表数据，留下里边数据 class(eSet) ## [1] "ExpressionSet" ## attr(,"package") ## [1] "Biobase" #ExpressionSet :数据的对象的类型 提取表达矩阵exp exp #rep用法： # rep函数的其他用法？相间、两组的数量不同？ > rep(c("Disease","Normal"),each = 10) [1] "Disease" "Disease" "Disease" "Disease" "Disease" "Disease" "Disease" "Disease" [9] "Disease" "Disease" "Normal" "Normal" "Normal" "Normal" "Normal" "Normal" [17] "Normal" "Normal" "Normal" "Normal" > rep(c("Disease","Normal"),times = c(8,9)) [1] "Disease" "Disease" "Disease" "Disease" "Disease" "Disease" "Disease" "Disease" [9] "Normal" "Normal" "Normal" "Normal" "Normal" "Normal" "Normal" "Normal" [17] "Normal" > rep(c("Disease","Normal"),times = 10) [1] "Disease" "Normal" "Disease" "Normal" "Disease" "Normal" "Disease" "Normal" [9] "Disease" "Normal" "Disease" "Normal" "Disease" "Normal" "Disease" "Normal" [17] "Disease" "Normal" "Disease" "Normal" # **第三种方法**，匹配关键词，使用字符串处理的函数获取分组，比较万能 k = str_detect(pd$title,"Normal");table(k) #按Normal这个关键词对pd$title中进行检测，有的话就是T，没有就是F Group = ifelse(k,"Normal","Disease") #根据T还是F赋值group #替换成功 > ifelse(k,"Normal","Disease") [1] "Disease" "Disease" "Disease" "Disease" "Disease" "Disease" "Disease" "Disease" [9] "Disease" "Disease" "Normal" "Normal" "Normal" "Normal" "Normal" "Normal" [17] "Normal" "Normal" "Normal" "Normal" #检查，#用pd的title列和group生成一个数据框放在一起，检查一下分组对不对 > data.frame(pd$title,Group) pd.title Group 1 Endometrium/Ovary-Disease 1 Disease 2 Endometrium/Ovary-Disease 2 Disease 3 Endometrium/Ovary-Disease 3 Disease 4 Endometrium/Ovary-Disease 4 Disease 5 Endometrium/Ovary-Disease 5 Disease 6 Endometrium/Ovary-Disease 6 Disease 7 Endometrium/Ovary-Disease 7 Disease 8 Endometrium/Ovary-Disease 8 Disease 9 Endometrium/Ovary-Disease 9 Disease 10 Endometrium/Ovary-Disease 10 Disease 11 Endometrium-Normal 1 Normal 12 Endometrium-Normal 2 Normal 13 Endometrium-Normal 3 Normal 14 Endometrium-Normal 4 Normal 15 Endometrium-Normal 5 Normal 16 Endometrium-Normal 6 Normal 17 Endometrium-Normal 7 Normal 18 Endometrium-Normal 8 Normal 19 Endometrium-Normal 9 Normal 20 Endometrium-Normal 10 Normal 需要把Group转换成因子，因子非常适合组织有重复值的向量，并设置参考水平，指定levels，对照组在前，处理组在后 Group = factor(Group,levels = c("Normal","Disease")) Group ##[1] Disease Disease Disease Disease Disease Disease Disease Disease Disease Disease ##[11] Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal ##Levels: Normal Disease #levels(Group) ##[1] "Normal" "Disease" ##单独提取levels，查看Group向量里都有哪些取值，这就叫因子的水平，顺序对照组在前，处理组在后 探针注释的获取原理：探针与基因的对应关系表格，一个数据框 需要把probe_id和基因symbol对应起来：基因组注释 注释来源： 1.Biocoductor的注释包：添加链接描述 2.GPL页面的表格文件解析：找探针和symbol这两列，但不是所有文件都可以通过GPL页面找到这两列 |
2.
3.数据库数据 
3.基因表达芯片的原理 
【本文地址】
今日新闻 |
推荐新闻 |