重磅：GEO資料庫挖掘教程（4）一體化分析程式碼（帶影片+R程式碼分享）

• 2019 年 10 月 6 日
• 筆記

眾所周知，GEO裡面大部分是表達譜數據，而表達譜的數據挖掘涉及眾多的分析方法和繁瑣的分析步驟，這裡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知。簡而言之，GEO的數據分析就分為兩大步驟：（1）從原始數據到基因表達值，這裡要經過繁瑣的數據前處理過程；（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。

1

Step1：從原始數據到表達值

這一步驟是相對比較簡單、比較固定的流程，但是其在數據分析過程中的地位至~關~重~要！因為後續所有的高級分析都是建立在表達值的基礎上，如果這裡出了問題，那麼後續所有分析都會產生極大的偏差。在GEO中，所有的data series除了上傳原始數據外，還會有一個已經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。我們在分析數據的時候，可以直接使用這個series matrix file作為表達值進行後續的分析。

2

Step2：從表達值到功能分析

有了表達值以後，我們就可以「暢所欲為」了。常見的後續分析有：差異表達分析、層次聚類，主成分分析等，主要根據我們的分析目的來定。現在，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。一般通過兩個指標去進行篩選：Fold change（變化倍數，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，然後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。屬於降維分析的一種，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，減少了後續步驟處理的計算量，當降至三維以下時還可用於可視化技術，從而發揮人在低維空間感知上的優點，發現數據集的空間分布、聚類性質等結構特徵。PCA對於分析樣本的相關性具有自己獨到的優勢。

好了，講了這麼多原理，是不是覺得有點頭暈腦脹呢，大家可能會想：講了這麼多，還沒有教我們怎麼做，有什麼用？

嗯～～那我就要放乾貨了，各位請接招吧。為了方便大家對GEO數據進行深入的分析挖掘，我們開發了一款高效、集成的數據分析流程，整合在一個R程式碼中，大家只需輸入數據集的幾個相關編號即可。

我給這個程式碼起了一個非常炫酷的名字：GEO Terminator。可能有點誇張，但是絕對實用。我們要做的就是到GEO找到你要分析的數據，不知道怎麼找的，請參見我們的上一篇（GEO資料庫挖掘（2）–快速鎖定目標數據），輸入GSExxx，以及檢測平台GPLxxx，自定義一下要分析的樣本表型，然後全選（Ctrl+A），運行（Ctrl+Enter）即可。整個程式碼運行可能需要幾分鐘到十幾分鐘的時間，根據你的數據大小和網速快慢而定，最終結果是這樣的：

獵豹一出手，便知有沒有~。只需輸入幾個編號，所有分析全自動運行，包括：（1）質控箱線圖，（2）差異表達基因，（3）層次聚類熱圖，（4）差異表達火山圖，（5）主成分分析散點圖，囊括表達譜數據挖掘的所有基本分析。

相信大家都參加在線上或者線下的諸多收費型培訓，這種技術含量超高的「黑科」的價格不菲，現在睜大雙眼，握緊水杯，科研貓正式宣布，免費分享此程式碼，惠及更多被科研折磨的脫毛的貓貓們~~

影片操作

騰訊影片地址：

https://v.qq.com/x/page/i08494wgw5o.html

如果你在操作過程中還是需要問題

點擊下方留言板留言

可直接聯繫到小獵豹師兄哦~