GEO資料庫挖掘（2）–快速鎖定目標數據
- 2019 年 10 月 6 日
- 筆記
在上一期的推文 GEO資料庫挖掘（1）–SCI文章速成 ，我們講解了關於GEO資料庫的背景知識，想必大家也了解了GEO是一個非常實用和權威的基因表達譜資料庫。那麼如何檢索自己想要的數據呢？
GEO中的數據千千萬萬條，能夠準確篩選出符合我們研究方向的數據至關重要，是整個數據挖掘工作的核心和基礎。如果沒有合適的數據，後續的所有分析都是紙上談兵。那麼今天就帶領大家來進行實戰演練，學習一下如何從GEO中找到我們想要的數據。為了讓演練更加貼近實際，我們先設定一個問題，然後逐步帶領大家進行操作。
研究課題：比較肝癌及正常肝組織的表達譜差異
實戰操作
1
Step1：查找
打開GEO官方網頁，在搜索框中輸入「Hepatocellular carcinoma」，並點擊Search（紅框所示），結果如下圖所示，出現了一個下拉菜單，一個是「results in GEO DataSets」，另一個是「results in GEO Profiles」，我們選擇上面一個（綠框所示）。
2
Step2：過濾
點擊上面的檢索結果後，然後我們會進入到GEO DataSets的結果頁面，如下圖所示。在這裡面有3萬多個條目匹配到我們輸入的關鍵詞「Hepatocellular carcinoma」，但是這麼多條目我不可能一個個看過來啊，該怎麼辦呢？
我們注意到，在結果頁面中的左邊欄和右邊欄有可供篩選的篩選條件。這些篩選條件可以幫我們快速過濾掉無用資訊，並準確地指向我們需要的數據集。那麼有哪些是我們常用的篩選條件呢？
- Entry type：即檢索出來的結果類型，包括DataSet、Series、Sample、Paltform等，這裡我們選擇Series。（不知道這幾個名詞概念的，自行查閱上一篇文章：GEO資料庫挖掘（1）–SCI文章速成）
- Study type：研究類型，也即數據類型，這裡面內容就非常多了，因為我們做的事表達譜，所以常用的一般就是「Expression profiling by array「或者「Non-coding RNA profiling by array」。點擊下方的」Customize」可以查看更多數據類型。
- Attribue name：其實就是樣本來源，或者樣本類型，這裡我一般都是選擇「tissue」。
- Organism: 在右側邊欄中可以選擇物種，這裡我們根據自己的研究目的自行篩選，我這裡就選擇「Homo sapiens」。
選定好篩選條件之後，可以發現，原先的結果從3萬多條變成了240條，這裡面基本就是我們想要的結果了。那麼問題又來了，在這240個裡面，怎麼知道到底哪個才是我最終需要的呢？或者我們在寫文章的時候如何選定最為重要的數據集呢？最好的辦法只有：點擊詳情，逐個查看。
可能有人會覺得這個方法太笨。其實不然。因為我們做的是數據挖掘的文章，這裡面的「數據」就是我們的研究對象，如果不能選定足夠大的樣本量，我們在分析數據的過程中就會漏掉一些重要的資訊，或者editor直接就會覺得你的文章意義不大。那為了避免漏掉數據集的情況發生，當數據檢索進行到這一步的時候，後續我一般都會逐個去查看每個數據集的詳情，並判斷是否符合我的研究目的。
3
Step3：挑選
點擊打開每個data series的詳情，我們以檢索條目中的第5條為例（因為這個數據集的數據較多，共有198個樣本），如下圖所示，點擊進入到該研究的詳細介紹頁面。
在詳情頁面中，有幾個需要我們注意的地方：
- 數據集編號，在右上角有顯示（紅框），這個編號很重要，我們寫文章的時候一般在Methods & Material中會提及。
- 數據集介紹，如下圖紅框所示，這個裡面包含了關於數據集的詳細介紹及實驗設計思路，讀了這兩段之後我們就知道這個數據集是不是我們想要的了。
- 檢測平台，即Platform號碼，一般是GPLxxxx的格式，這個裡面包含了檢測平台的基因注釋資訊，也很重要。
- 樣本資訊，在Samples（紅框所示）中會顯示樣本總量及每個樣本的編號，默認是摺疊起來的，點擊「More」可以顯示完整。同時，如果要查看每個樣本的詳細臨床資訊，點擊樣本的GSMxxxx編號即可。
此外，還有一個需要我們知道的就是一個分析工具—GEO2R，這個工具是GEO官方開發的使用R語言來進行差異表達分析的工具，十分好用，通過GEO2R可以快速便捷地篩選出我們想要的差異表達基因。
當然僅僅進行差異表達分析，發文章是遠遠不夠的，後面的文章，我們會繼續給大家講解GEO2R的使用以及我們自行開發的一整套GEO數據挖掘自動化工具，賣個關子，敬請期待喲~
本期重點回顧（Take home message）：
如何在GEO中檢索並篩選目標數據集，以及數據集中需要注意的關鍵資訊。
