HTA2.0芯片数据分析比较麻烦，我也尝试给你一些思路

2019 年 10 月 7 日
笔记

表达芯片数据处理教程，早在2016年我就系统性整理了发布在生信菜鸟团博客：http://www.bio-info-trainee.com/2087.html 配套教学视频在B站：https://www.bilibili.com/video/av26731585/ 代码都在：https://github.com/jmzeng1314/GEO

但并不是万能的，即使是表达芯片，也有一些是我的知识盲区，主要是因为没有时间去继续探索整理写教程，毕竟大家都不支持我写教程，没有人打赏或者留言鼓励我！

不过最近学徒问到了[HTA-2_0] Affymetrix Human Transcriptome Array 2.0芯片的事情，其实挺麻烦的，首先需要搞清楚下面3个平台的差异：

GPL17586 [HTA-2_0] Affymetrix Human Transcriptome Array 2.0 [transcript (gene) version]
GPL19251 [HuGene-2_0-st] Affymetrix Human Gene 2.0 ST Array [probe set (exon) version]
GPL16686 [HuGene-2_0-st] Affymetrix Human Gene 2.0 ST Array [transcript (gene) version]

如果是芯片cel原始数据处理

那么看我的教程你要挖的公共数据集作者上传了错误的表达矩阵肿么办（如何让高手心甘情愿的帮你呢？）里面有提到：

# BiocManager::install(c( 'oligo' ),ask = F,update = F)  library(oligo)  # BiocManager::install(c( 'pd.hg.u133.plus.2' ),ask = F,update = F)  library(pd.hg.u133.plus.2)    dir='~/Downloads/GSE84571_RAW/'    od=getwd()    setwd(dir)    celFiles <- list.celfiles(listGzipped = T)    celFiles    affyRaw <- read.celfiles( celFiles )    setwd(od)    eset <- rma(affyRaw)    eset    # http://math.usu.edu/jrstevens/stat5570/1.4.Preprocess_4up.pdf    save(eset,celFiles,file = f)    # write.exprs(eset,file="data.txt")

当然了，你没有R基础是看不懂的哈。自行去B站补充下面的视频知识点：

如果是芯片注释到基因

也是很简单

  library(GEOquery)    #Download GPL file, put it in the current directory, and load it:    gpl <- getGEO('GPL19251', destdir=".")    colnames(Table(gpl))    head(Table(gpl)[,c(1,10)]) ## you need to check this , which column do you need    probe2gene=Table(gpl)[,c(1,10)]    head(probe2gene)    library(stringr)    probe2gene$symbol=trimws(str_split(probe2gene$gene_assignment,'//',simplify = T)[,2])    plot(table(table(probe2gene$symbol)),xlim=c(1,50))    head(probe2gene)    save(probe2gene,file='probe2gene.Rdata')

不同平台，就替换GPL，然后自行看输入输出判断一下即可，也需要R基础啦。

如果是差异分析

当然了也可以直接修改我的代码，不过这个HTA2.0芯片比较麻烦的在于，基于exon和基于transcript的有一点点区别，因为基于exon理论上可以获取不同剪切体的表达量差异的，虽然实际上很少有人愿意去探索。

发表在 BMC Genomics. 2017; 文章 RNA sequencing and transcriptome arrays analyses show opposing results for alternative splicing in patient derived samples 就提到过。

更麻烦的是，因为这个芯片记录35万个外显子，这样矩阵就非常大，都可以根据illumina的450K甲基化芯片媲美啦！

可以看到，大量的基因有着1-30个探针，如下：

所以有文章采取非常特殊的差异分析策略：

很大概率上，你是看不懂的

最后留一个作业

大家可以拿 https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE118222 数据集，测试看看，走我给大家的代码，得到PCA,热图，火山图，看看是否合理。

GSM3321243    LNCaP EtOH rep 1  GSM3321244    LNCaP EtOH rep 2  GSM3321245    LNCaP DHT rep 1  GSM3321246    LNCaP DHT rep 2  GSM3321247    LNCaP ABT-DHT rep 1  GSM3321248    LNCaP ABT-DHT rep 2  GSM3321249    C4-2 DMSO rep 1  GSM3321250    C4-2 DMSO rep 2  GSM3321251    C4-2 ABT rep 1  GSM3321252    C4-2 ABT rep 2