作为一个刚接触生物信息这个专业小白，我正在努力学习着最基础的东西，最先是了解GEO数据库，自己利用数据进行分析，还好之前有R语言基础，这第一步就花了很长时间，但是完成后是很有成就感的，希望我在自己摸索的道路上越走越顺，接下来就是记录我学习心路。(可能有很多错误，欢迎各位老师指正)
首先是浏览GEO数据库，这个庞大的数据库看的我是真的晕，学好英文真的是很重要啊，不过不能急，慢慢来，一点一点去看，先下载几个数据看看，我一般是以白血病(leukemia)为例
GDS GSE GPL GSM
这四个东西我之前是分不清的，后来在强大的网络帮助下，我成功弄明白了，GSM是单个样本的实验数据，GDS是人工整理好的关于某个话题的GSM的集合，一个GDS中的GSM的平台是一样的，GSE是一个实验项目中的多个芯片实验，可能使用多个平台，GPL是芯片的平台，如Affymetrix， Aglent等。
好啦，接下来是下载数据了，以GSE13822为例，下载它的数据系列文件GSE_series_matrix,文件里面！号开头的是一些实验描述内容，一般包括标题，样本信息，实验平台，研究者，发布时间等等信息，处理数据前之前需要认真看这些内容。弄清楚样本数量，以及实验组和对照组的样本编号。
GSE_series_matrix头文件
数据从这里开始
ID_REF行为探针名，列为样本，整个矩阵就是对应的表达值
接下来是平台文件，这个实验的平台是在GPL570，所以一下是平台文件信息，#号开头的是对平台的描述
数据从ID那一行开始
这个文件我们在探针注释要用到，到时候具体要用的就是用绿色标出来的三列
接下来就是核心的内容了，就是数据预处理，这一步主要就是把数据进行一定的处理，然后筛选出差异基因，为后面的研究做准备，这里我用的工具是R语言
第一步，先提取数据，把我们需要的矩阵读入，从ID_REF开始
第二步，对数化，把数据从偏态分布转化成正态分布
第三步，探针过滤，去除表达值为负或者很小的数据(噪声数据)
第四步，补缺失值
第五步，数据标准化(核心)
第六步，探针注释
第七步，基因筛选
最后筛选出差异基因后，做了热图和火山图（具体代码和分析在后面那篇文章）
这个过程挺曲折的，我一直奔走在各大生物信息贴吧和学习视频里，最后终于完成了，我知道这仅仅是个开始，对我来说这个开始还挺好的。最后希望所有生信人都能大有作为吧，加油吧！
网友评论