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GSE159676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 <- "GSE159676"
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
数据大小小于50可以不取log
exprs_mtx <- exprs(eSet)
probe_exprs <- as.data.table(exprs_mtx, keep.rownames = "ProbeID")
range(exprs_mtx, na.rm = TRUE)
# 7.4390507 15.758859
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(GeneID=as.character(Entrez_Gene_ID)) %>%
dplyr::select(ProbeID, GeneID) %>% 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$GeneID,fromType = "ENTREZID",toType = "SYMBOL",OrgDb = org.Hs.eg.db)
合并数据库,最终得到了探针与基因Symbol对应关系
probe2symbol %<>% merge(maps,by.x='GeneID',by.y='ENTREZID') %>% dplyr::select(ProbeID, SYMBOL) %>% dplyr::rename(GeneID=SYMBOL)
ID转换
把表达矩阵中的探针名转换为基因名;transid是我写的一个R函数,有需要可以联系我的公众号@恩喜玛生物,加入交流群
fdata <- transid(probe2symbol, probe_exprs)
保存数据
common_samples <- base::intersect(colnames(fdata),pdata$Sample)
fdata %<>% select(all_of(c("GeneID",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"))