重磅：GEO數(shù)據(jù)庫挖掘教程（4）一體化分析代碼（帶視頻 R代碼分享）

tysdne 2019-10-31

展開全文

前面三期的課程中，我們從GEO基礎(chǔ)知識、快速鎖定目標(biāo)數(shù)據(jù)以及R語言基礎(chǔ)這三個方面講解了GEO數(shù)據(jù)挖掘的背景知識，課后大家也都很積極地找到折耳貓小姐姐和小獵豹，提了很多的問題，最頻繁的提問就是：“何時出下一期”、“什么時候教數(shù)據(jù)分析”，可見大家的學(xué)習(xí)熱情都非常高漲，對GEO數(shù)據(jù)挖掘非常感興趣。今天，我們就來講GEO數(shù)據(jù)挖掘的終極教程。

眾所周知，GEO里面大部分是表達譜數(shù)據(jù)，而表達譜的數(shù)據(jù)挖掘涉及眾多的分析方法和繁瑣的分析步驟，這里給大家做了一個大致的流程圖，以便大家有一個整體而全面的認(rèn)知。簡而言之，GEO的數(shù)據(jù)分析就分為兩大步驟：（1）從原始數(shù)據(jù)到基因表達值，這里要經(jīng)過繁瑣的數(shù)據(jù)前處理過程；（2）從表達值到功能分析（差異基因/聚類/功能富集等）。下面我們就按部就班地進行講解。

Step1：從原始數(shù)據(jù)到表達值

這一步驟是相對比較簡單、比較固定的流程，但是其在數(shù)據(jù)分析過程中的地位至~關(guān)~重~要！因為后續(xù)所有的高級分析都是建立在表達值的基礎(chǔ)上，如果這里出了問題，那么后續(xù)所有分析都會產(chǎn)生極大的偏差。在GEO中，所有的data series除了上傳原始數(shù)據(jù)外，還會有一個已經(jīng)處理好的表達值矩陣，這個是GEO強制要求submitter在上傳過程中必須上傳的，就存儲在series matrix file中。我們在分析數(shù)據(jù)的時候，可以直接使用這個series matrix file作為表達值進行后續(xù)的分析。

Step2：從表達值到功能分析

有了表達值以后，我們就可以“暢所欲為”了。常見的后續(xù)分析有：差異表達分析、層次聚類，主成分分析等，主要根據(jù)我們的分析目的來定。現(xiàn)在，我們來對他們進行逐個講解。

a. 差異表達分析

這個分析相對較好理解，其實就是兩個不同分組之間基因表達值有差異的基因。一般通過兩個指標(biāo)去進行篩選：Fold change（變化倍數(shù)，簡稱FC），以及P value（P值）。常用的FC閾值為2，P value的閾值為0.05或者0.01。

b. 層次聚類分析

這個也是表達譜分析中的常用套路，其理論基礎(chǔ)是：基因之間存在共表達，在表達譜上具有相似性的基因或樣本可能具有潛在的相關(guān)性。在聚類分析中，基因被看作是一個向量，通過元素與元素之間的距離，將不同的元素歸類。通過層次聚類，我們把表達譜相近似的基因或者樣本富集在一起，然后再對特定的基因進行功能分析，或者對臨床樣本進行表型的挖掘。

c. 主成分分析

Principle Component Analysis, PCA。屬于降維分析的一種，將樣本從輸入空間通過線性或非線性映射到一個低維空間，減少了后續(xù)步驟處理的計算量，當(dāng)降至三維以下時還可用于可視化技術(shù)，從而發(fā)揮人在低維空間感知上的優(yōu)點，發(fā)現(xiàn)數(shù)據(jù)集的空間分布、聚類性質(zhì)等結(jié)構(gòu)特征。PCA對于分析樣本的相關(guān)性具有自己獨到的優(yōu)勢。

好了，講了這么多原理，是不是覺得有點頭暈?zāi)X脹呢，大家可能會想：講了這么多，還沒有教我們怎么做，有什么用？

嗯～～那我就要放干貨了，各位請接招吧。為了方便大家對GEO數(shù)據(jù)進行深入的分析挖掘，我們開發(fā)了一款高效、集成的數(shù)據(jù)分析流程，整合在一個R代碼中，大家只需輸入數(shù)據(jù)集的幾個相關(guān)編號即可。

我給這個代碼起了一個非常炫酷的名字：GEO Terminator?？赡苡悬c夸張，但是絕對實用。我們要做的就是到GEO找到你要分析的數(shù)據(jù)，不知道怎么找的，請參見我們的上一篇（GEO數(shù)據(jù)庫挖掘（2）--快速鎖定目標(biāo)數(shù)據(jù)），輸入GSExxx，以及檢測平臺GPLxxx，自定義一下要分析的樣本表型，然后全選（Ctrl+A），運行（Ctrl+Enter）即可。整個代碼運行可能需要幾分鐘到十幾分鐘的時間，根據(jù)你的數(shù)據(jù)大小和網(wǎng)速快慢而定，最終結(jié)果是這樣的：