GEO資料庫挖掘（1）–SCI文章速成

• 2019 年 10 月 6 日
• 筆記

最近這段時間，相信好多人都在忙著寫國自然標書，一晃2019年的2月份已經過去，今年只剩下10個月了，留給我們的時間不多啦（像不像導師或者主任開會時的講話啊

不管標書寫的滿意與否，也都到了該交的時候，交完標書，工作重心又要回到日常的科研工作中，繼續做實驗·發文章的日子。

說到發文章，相信大家公認的套路都是「找分子 · 養細胞 · 養老鼠「的濕實驗套路，這樣的實驗一旦做起來，至少要耗掉1-2年，乃至更長時間。那有沒有什麼發文章的捷徑，無需做實驗，無需花錢，無需耗費大量寶貴青春，輕鬆發表SCI文章，走上人生巔峰呢？答案是：有！

現今到處可見「大數據」、「資料庫「、」數據挖掘」等熱門辭彙，在我們的身邊有大量寶貴的生物醫學大數據，如果能夠加以合理利用，幾天時間完成一篇SCI文章也絕非難事。

從本篇推文起， 科研貓 公眾號將帶領大家學習生物醫學領域內的大數據挖掘。第一課先從一個相對簡單，而又非常重要的資料庫入手：GEO (Gene Expression Ominibus)。

基因表達資料庫 (Gene Expression Omnibus, GEO)隸屬於美國國立衛生研究院的NCBI。GEO（www.ncbi.nlm.nih.gov/geo/）是當今最大、最全面的公共基因表達數據資源。目前GEO資料庫中共包含了近11萬個數據集，約290萬個標本，是一個極其龐大的巨無霸型公共資料庫。GEO中主要存儲了關於基因表達譜的數據，其中一大部分是晶片（microarray）和測序（RNA sequencing）的數據，有mRNA的，也有lncRNA和miRNA的，還包含一部分甲基化和SNP array的數據。

GEO作為一個公共資料庫資源，對所有人公開免費。近幾年使用GEO進行數據挖掘發表的SCI文章也日趨增多，說爆髮式增長也不為過。為了檢驗GEO在數據挖掘當中的重要性和普適性，我們用「GEO「、「Data mining」和」TCGA「這三個關鍵詞分別在PubMed中進行搜索，統計從1991年迄今為止每年的相關文章數量，其結果如下圖所示。可以看出，自2008年開始，有關GEO數據挖掘的文章呈指數式爆發，從每年不到100篇，到每年3000篇以上。相對於另一個重要的腫瘤資料庫TCGA而言，GEO的相關文章可謂遙遙領先。

現在我們開始正式的學習吧。

首先，先來看看GEO資料庫的構成。GEO當中的數據主要分為兩大類：用戶提交的數據和GEO整理後的數據。其中，用戶在提交數據的時候，GEO對數據定義了以下幾個概念：Sample (樣本)，Series（系列）和 Platform（平台）。

其中「Sample」可以理解為被檢測的樣本；「Series」可以理解為一項研究中多個樣本構成的數據集；而「Platform」可以理解為檢測樣本表達時所用的晶片/檢測方法。GEO要求上傳者在上傳數據時，必須提供以上基本資訊。GEO在得到用戶上傳的數據後，將產生DataSet和Profile兩類數據。

GEO首先把提交的樣本集中到有生物學意義和統計學上可比較的GEO數據集組（DataSets），能夠提供關於一個實驗的相關更改，作為下游數據挖掘和數據顯示工具的基礎。而表達譜（Profile）則來自於DataSets基因表達譜資訊，其存儲了單個基因表達的數據資料。

（輕點圖片，查看高清大圖~）

熟悉了GEO的構成，後續就是如何分析其中的數據了。為了方便用戶對數據進行初步的分析，GEO本身就提供了如GEO2R及聚類、箱線圖、基因查找等工具，這些分析工具可以為我們提供關於數據資訊的初步挖掘結果，但是如果想要深入探討臨床表型與基因表達的相關性，或者篩選出發揮重要調控作用的核心基因出來，GEO自帶的分析工具就顯得有些捉襟見肘了。

後面的課程中，我們會帶領大家一步步學習如何由淺入深地分析GEO當中的數據，實現較為複雜的挖掘和繪圖，正如下圖所示的層次聚類、火山圖、主成分分析等高級操作。敬請關注