HTA2.0晶片數據分析比較麻煩，我也嘗試給你一些思路

2019 年 10 月 7 日
筆記

表達晶片數據處理教程，早在2016年我就系統性整理了發布在生信菜鳥團部落格：http://www.bio-info-trainee.com/2087.html 配套教學影片在B站：https://www.bilibili.com/video/av26731585/ 程式碼都在：https://github.com/jmzeng1314/GEO

但並不是萬能的，即使是表達晶片，也有一些是我的知識盲區，主要是因為沒有時間去繼續探索整理寫教程，畢竟大家都不支援我寫教程，沒有人打賞或者留言鼓勵我！

不過最近學徒問到了[HTA-2_0] Affymetrix Human Transcriptome Array 2.0晶片的事情，其實挺麻煩的，首先需要搞清楚下面3個平台的差異：

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]

如果是晶片cel原始數據處理

那麼看我的教程你要挖的公共數據集作者上傳了錯誤的表達矩陣腫么辦（如何讓高手心甘情願的幫你呢？）裡面有提到：

# 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")

當然了，你沒有R基礎是看不懂的哈。自行去B站補充下面的影片知識點：

如果是晶片注釋到基因

也是很簡單

  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，就替換GPL，然後自行看輸入輸出判斷一下即可，也需要R基礎啦。

如果是差異分析

當然了也可以直接修改我的程式碼，不過這個HTA2.0晶片比較麻煩的在於，基於exon和基於transcript的有一點點區別，因為基於exon理論上可以獲取不同剪切體的表達量差異的，雖然實際上很少有人願意去探索。

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

更麻煩的是，因為這個晶片記錄35萬個外顯子，這樣矩陣就非常大，都可以根據illumina的450K甲基化晶片媲美啦！

可以看到，大量的基因有著1-30個探針，如下：

所以有文章採取非常特殊的差異分析策略：

很大概率上，你是看不懂的

最後留一個作業

大家可以拿 https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE118222 數據集，測試看看，走我給大家的程式碼，得到PCA,熱圖，火山圖，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