一学就会师妹教你如何用 R 来下载 GEO 的数据
{ 点击蓝字，关注我们 }
了解生信的小伙伴应该都知道GEO数据库，它是生物信息学研究中常用的数据资源之一。GEO数据库中的数据主要来源于高通量基因表达实验，如基因芯片和RNA测序等。这些数据可以用来研究基因调控、生物进化、疾病发生机制等生物学问题。GEO数据库中的数据通常包括原始数据和注释信息，原始数据可以通过生物信息学工具进行预处理和分析，注释信息包括样本信息、实验设计、基因注释等，可以帮助研究者理解数据的来源和特点。
那我们该如何快速的得到GEO数据库中自己想要的数据呢，今天小师妹就来给大家介绍一个R包GEOquery包，GEOquery包是一个R语言中的生物信息学数据读取包，可以方便地读取GEO数据库中的基因表达数据。该包可以读取GEO数据库中的原始数据和注释信息，支持多种数据格式，如CEL、GPR、TXT、CSV等，可以快速读取大量的基因表达数据，支持数据预处理、质量控制和统计分析等功能，提供了丰富的数据可视化功能。
那么接下来就由小师妹来给大家介绍一下这个神奇的R包吧。
一
安装和载入
安装：if (!requireNamespace("BiocManager", quietly=TRUE))install.packages("BiocManager")BiocManager::install("GEOquery")载入：library(GEOquery)
二
相关操作
1. GEOquery 获取数据
getGEO，这一个命令就可以让我们从 GEO 中获取数据，常用的方式是传入 GEO accession，小师妹来举个例子：
> gds <- getGEO(filename=system.file("extdata/GDS507.soft.gz",package="GEOquery"))>gsm <- getGEO(filename=system.file("extdata/GSM11805.txt.gz",package="GEOquery"))
如图所示，现在gds 包含了 R 数据结构(GDS 类)，表示 GEO 的 GDS507 条目。
2.getGEO介绍
getGEO是R语言中GEOquery包提供的一个函数，用于从GEO数据库中下载基因表达数据。使用getGEO函数可以方便地获取GEO数据库中的数据，并将数据存储为R语言中的对象，以便进行后续的分析和处理。
getGEO(GEO, destdir = ".", AnnotGPL = FALSE, getGPL = TRUE, GSEMatrix = FALSE, AnnotGSE = FALSE, verbose = TRUE)3.GEOquery 的数据结构
GEOquery包中的数据结构主要包括GSE、GSM、GDS和GPL四种类型，分别对应GEO数据库中的实验集、样本、数据集和芯片平台。
（1）GSM（Gene Expression Sample）：GSM是GEO数据库中的样本，对应于实验集中的每个样本。在GEOquery中，GSM数据结构是一个数据框，包含了样本的注释信息和基因表达数据。
（2）GDS（Gene Expression Dataset）：GDS是GEO数据库中的数据集，包含了多个样本的基因表达数据。在GEOquery中，GDS数据结构是一个列表，包含了数据集的注释信息和每个样本的基因表达数据矩阵。
（3）GPL（Gene Expression Platform）：GPL是GEO数据库中的芯片平台，包含了芯片上探针的注释信息和序列信息。在GEOquery中，GPL数据结构是一个数据框，包含了芯片平台的注释信息和探针序列信息。
（4）GSE（Gene Expression Series）：GSE是GEO数据库中的实验集，包括多个样本和其对应的基因表达数据。在GEOquery中，GSE数据结构是一个列表，包含了实验的注释信息和每个样本的基因表达数据矩阵。
下面小师妹将对他们进行简单的介绍，帮助大家理解，先介绍前三种类型。
GSM、GDS、GPL，这三种类型，每一个类都由一个元数据头（与 SOFT 格式头部信息几乎一致）和一个 GEODataTable 组成。GEODataTable 有两个简单的部分: Columns 和 Table，Columns 部分是对 Table 部分的列的描述。此外，每个类还有一个 show 方法。例如我们已经获取的gsm数据：
#查看元数据> head(Meta(gsm))$channel_count[1] "1"$comment[1] "Raw data provided as supplementary file"$contact_address[1] "715 Albany Street, E613B"$contact_city[1] "Boston"$contact_country[1] "USA"$contact_department[1]"Genetics and Genomics"#查看与 GSM 相关的数据> Table(gsm)[1:8,] ID_REF VALUE ABS_CALL1 AFFX-BioB-5_at 953.9 P2 AFFX-BioB-M_at 2982.8 P3 AFFX-BioB-3_at 1657.9 P4 AFFX-BioC-5_at 2652.7 P5 AFFX-BioC-3_at 2019.5 P6 AFFX-BioDn-5_at 3531.5 P7 AFFX-BioDn-3_at 14950.5 P8 AFFX-CreX-5_at 27206.6 P#查看列描述> Columns(gsm)Column Description1 ID_REF2 VALUE MAS 5.0 Statistical Algorithm (mean scaled to 500)3 ABS_CALL MAS 5.0 Absent, Marginal, Present call with Alpha1 = 0.05, Alpha2 = 0.065
而GSE 有一个元数据部分，但它没有 GEODataTable，它包含了两个列表，可以使用 GPLList 和 GSMList 方法进行访问，这两个列表分别是 GPL 和 GSM 对象的列表。小师妹拿soft 文件来举个例子：
> gse <- getGEO(filename=system.file("extdata/GSE781_family.soft.gz",package="GEOquery"))#查看元数据> head(Meta(gse))$contact_address[1] "715 Albany Street, E613B"$contact_city[1] "Boston"$contact_country[1] "USA"$contact_department[1] "Genetics and Genomics"$contact_email[1] "mlenburg@bu.edu"$contact_fax[1]"617-414-1646"#获取 GSE 中包含的所有 GSM 对象的名称> names(GSMList(gse)) [1] "GSM11805" "GSM11810" "GSM11814" "GSM11815" "GSM11823" "GSM11827" "GSM11830" "GSM11832"[9] "GSM12067" "GSM12069" "GSM12075" "GSM12078" "GSM12079" "GSM12083" "GSM12098" "GSM12099"[17] "GSM12100" "GSM12101" "GSM12105" "GSM12106" "GSM12268" "GSM12269" "GSM12270" "GSM12274"[25] "GSM12283" "GSM12287" "GSM12298" "GSM12299" "GSM12300" "GSM12301" "GSM12399" "GSM12412"[33] "GSM12444" "GSM12448"#获得列表中的第一个 GSM 对象> GSMList(gse)[[1]]An object of class "GSM"channel_count[1] "1"comment[1] "Raw data provided as supplementary file"contact_address[1] "715 Albany Street, E613B"contact_city[1] "Boston"contact_country[1] "USA"contact_department[1] "Genetics and Genomics"contact_email[1] "mlenburg@bu.edu"contact_fax[1] "617-414-1646"contact_institute[1] "Boston University School of Medicine"contact_name[1] "Marc,E.,Lenburg"contact_phone[1] "617-414-1375"contact_state[1] "MA"contact_web_link[1] "http://gg.bu.edu"contact_zip/postal_code[1] "02130"data_row_count[1] "22283"description[1] "Age = 70; Gender = Female; Right Kidney; Adjacent Tumor Type = clear cell; Adjacent Tumor Fuhrman Grade = 3; Adjacent Tumor Capsule Penetration = true; Adjacent Tumor Perinephric Fat Invasion = true; Adjacent Tumor Renal Sinus Invasion = false; Adjacent Tumor Renal Vein Invasion = true; Scaling Target = 500; Scaling Factor = 7.09; Raw Q = 2.39; Noise = 2.60; Background = 55.24."[2] "Keywords = kidney" [3] "Keywords = renal"[4] "Keywords = RCC"[5] "Keywords = carcinoma"[6] "Keywords = cancer" [7] "Lot batch = 2004638"geo_accession[1] "GSM11805"last_update_date[1] "May 28 2005"molecule_ch1[1] "total RNA"organism_ch1[1] "Homo sapiens"platform_id[1] "GPL96"series_id[1] "GSE781"source_name_ch1[1] "Trizol isolation of total RNA from normal tissue adjacent to Renal Cell Carcinoma"status[1] "Public on Nov 25 2003"submission_date[1] "Oct 20 2003"supplementary_file[1] "ftp://ftp.ncbi.nih.gov/pub/geo/DATA/supplementary/samples/GSM11nnn/GSM11805/GSM11805.CEL.gz"title[1] "N035 Normal Human Kidney U133A"type[1] "RNA"An object of class "GEODataTable"****** Column Descriptions ******Column Description1 ID_REF =2 VALUE MAS 5.0 Statistical Algorithm (mean scaled to 500)3 ABS_CALL MAS 5.0 Absent, Marginal, Present call with Alpha1 = 0.05, Alpha2 = 0.065****** Data Table ******ID_REF VALUE ABS_CALL1 AFFX-BioB-5_at 953.9 P2 AFFX-BioB-M_at 2982.8 P3 AFFX-BioB-3_at 1657.9 P4 AFFX-BioC-5_at 2652.7 P5 AFFX-BioC-3_at 2019.5 P22278 more rows ...
怎么样，经过小师妹的介绍是不是对GEO数据库和如何获取其中的数据有了更深层次的了解呢，如果还想继续深入的了解，请继续关注小师妹的文章哦，那小师妹今天的分享就到这里啦，小伙伴们再会。
E
N
D
