目录

Python从零开始第五章生物信息学①提取差异基因

Python从零开始第五章生物信息学②热图及火山图

Python从零开始第五章生物信息学③kegg查询

Python从零开始第五章生物信息学④kegg查询续

Python从零开始第五章生物信息学⑤生存分析(log-rank)

Python从零开始第五章生物信息学⑥GEO数据库实战分析（1）

==================================================

正文

GEO数据库全称GENE EXPRESSION OMNIBUS，是由美国国立生物技术信息中心NCBI创建并维护的基因表达数据库。它创建于2000年，收录了世界各国研究机构提交的高通量基因表达数据，也就是说只要是目前已经发表的论文，论文中涉及到的基因表达检测的数据都可以通过这个数据库中找到。 这个数据库应该是生物信息入门学习挖掘的数据库，发文量每年估计有数千篇吧，GEO上面的测序文件非常丰富，肿瘤，非肿瘤的等等几乎都有，并且可以免费挖掘。关于这个数据库的介绍网上非常多，我就不赘述了。有兴趣的可以取生信技能树上面看看。

生信技能树
http://www.biotrainee.com/

这一篇以及接下来的几篇主要是写一个GEO数据库常见的分析流程。

• 导入必须的python包以及修改默认文件位置。

# -*- coding: utf-8 -*-
"""
Created on Fri Dec 14 00:47:52 2018

@author: czh
"""
%clear
%reset -f
# In[*]
# 加载Python库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import os
os.chdir('D:\\train')

• 修整数据

# In[*]

data = pd.read_csv('GSE18388_series_matrix.txt.gz', 
                   delimiter='\t',skiprows=31)

# In[*]
data= data.drop(data.index[0:34])
data.rename(columns={'!Sample_title':'gene_id'}, inplace=True)

前33行为不需要的介绍信息，需要删除。另外修改第一列的列名。

• 删除含有缺失值的基因

# In[*]
data.isna().sum()
data = data.dropna(axis=0)
data.dtypes

• 由于后面的差异分析或者绘图，要求所有的基因数据需要为数值型。

而目前该数据框中读取时含有很多字符，所以列属性为object，我们需要将这些列属性修改为数值型。

# In[*]

data.dtypes.eq(object)
# In[*]
cols = data.columns[data.dtypes.eq(object)]
# In[*]
data[cols] = data[cols].apply(pd.to_numeric,
          errors='coerce', axis=0)
data.dtypes.eq(object)

• 查看样本之间是否有整体差异

# In[*]

data.dtypes.eq(object)
# In[*]
cols = data.columns[data.dtypes.eq(object)]
# In[*]
data[cols] = data[cols].apply(pd.to_numeric,
          errors='coerce', axis=0)
data.dtypes.eq(object)

通过上面我们可以看出样本整体没有差异，可以做差异分析。

GEO数据自带的有差异分析-geo2R，虽然比较简单且教程很多，不需要编程，但是不是特别精确，如果只是简单的做一下生信验证，可以使用这个，我们这里直接读取geo2R分析的结果

GEO2R = pd.read_table("geo_result.txt", sep="\t")

这个数据框就包含了已经分析好的差异分析结果，包括基因名字和探针ID，还有比较关注的差异倍数和P值