GEO数据库-ID转换系列(一)

GEO数据库-ID转换系列(一)

作者：jzhang

前言：我们都知道很多人在进行GEO数据库挖掘的时候，首先遇到的第一个痛点就是探针ID转换成gene symbol的问题，gene symbol因为被大家熟悉所以得到广泛采用。针对此问题，我进行了一个总结贴。

一般ID转换分为以下几个办法：

• 使用GEO数据库提供的GPL文件
• 金标准当然是去基因芯片的厂商的官网直接去下载啦
• 使用bioconductor里面的芯片探针注释包
• 使用探针序列进行序列比对注释（以上办法都不能解决的时候）

今天我们先介绍如何在GEO官网下载注释文件

1.GEO官网

我们可以去官方地址进行下载：https://www.ncbi.nlm.nih.gov/geo/
下面以GPL570为例子进行说明，首先进入官网，在下方窗口数据GPL编号进行搜索，

进入搜索页面。

搜索页面

搜索结果页面：

搜索结果页面

一般在搜索页面都会有对注释文件的表头的描述，芯片注释文件内部也有，但是很多人容易忽视这个地方

image-20200726182901225.png

下面含有下载链接：

image-20200726183855290.png

第二种下载方式，使用ftp地址下载

首先找到ftp地址：https://ftp.ncbi.nlm.nih.gov/geo/

image-20200726184220868.png

进来之后，我们发现数据都在这里，注释信息就在platforms：

image-20200726184318777.png

然后点击进入，根据编号GPL570，判断在GPLnnn目录下，可以看着这个命名后面都有3个n：

image-20200726184446136.png

然后发现有三个文件，https://ftp.ncbi.nlm.nih.gov/geo/platforms/GPLnnn/GPL570/，分别是

• annot：含有简版的注释信息文件，一般有一些平台是没有这个文件的，文件名字为GPL570.annot.gz

• miniml：是xml格式的注释文件，这个一般会被分割成好几个，文件也都特别大，一般不用

• soft：详细版本的注释文件，这个文件也非常大，如果没有annot格式，可以选择这个，但是下载网速不是很友好，文件名字为GPL570_family.soft.gz

image-20200726184650763.png

总结上面的ftp地址特点，我们可以发现一些特征，比如soft格式文件的地址，那么以后知道了GPL标号，就可以写代码生成ftp下载地址使用迅雷，wget，axel等方式下载啦。

# 以下网址存在一些特点
https://ftp.ncbi.nlm.nih.gov/geo/platforms/GPL15nnn/GPL15207/soft/GPL15207_family.soft.gz 
https://ftp.ncbi.nlm.nih.gov/geo/platforms/GPL15nnn/GPL15314/soft/GPL15314_family.soft.gz 
https://ftp.ncbi.nlm.nih.gov/geo/platforms/GPLnnn/GPL570/soft/GPL570_family.soft.gz

别着急，现在还有R代码版本的下载方式，如下

# 设置下载方式
options('download.file.method.GEOquery'='auto')
options('GEOquery.inmemory.gpl'=FALSE)

# 加载需要用到的R包
library(GEOquery)
library(Biobase)

# Download GPL file, put it in the current directory, and load it:
gpl <- getGEO("GPL570", destdir=".")
colnames(Table(gpl))
head(Table(gpl)[,c(1,10,13)])
probe2symbol <- Table(gpl)[,c(1,13)]

未完待续，我们后面还有其他的下载方式，针对网速不好，没有简版注释文件等方式，学会任何一种，你都不用再害怕不会对芯片进行ID转换啦。

题外话：关于ID转换，其实还有一个很重要的背景知识需要大家学习，那就是各种数据库的ID，如果你不了解，那么除了看到你熟悉的只知道的gene symobl，有其他数据库的ID可以转换的时候，你却不知道（看见了就跟没看见一样）。小编后续也会陆陆续续介绍哒~