看过很多GEO数据挖掘的教程，一直都是芯片数据举例。我自己也根据流程（Taolu）分析过好几个geo芯片数据。一直有个疑惑，
GEO上都是芯片数据吗？
GSE开头的都是芯片数据吗？
今天在大神健明老师的敦促下，我又一次打开熟悉又陌生的GEO页面。重新读一下GEO数据库的介绍。熟悉是因为这个页面我打开过不止百次了，陌生是因为从没认真读过这个页面的内容。
image.png
开篇第一句就写了芯片和测序数据我们都是接受的。
但是我看到的GEO挖掘实例都是芯片为例。没见过GEO上的测序数据是啥样。所以这也是导致我产生这个错觉的主要原因。我需要找到一个不是芯片的例子来看看。毕竟眼见为实嘛。于是我开始搜索。希望找到GEO数据的一些存放规律。
1.解读GEO数据存放规律及下载，一文就够
首先看到了健明老师这一篇，开篇就说了
GEO数据库起先只是为表达芯片数据准备的，后期纳入了各种NGS组学数据，文章里面会给出数据地址，GSE ID号，由此我们就可以进入GEO数据库，进而了解它！
image.png
其实只需要理解下面的4个概念。
GEO Platform (GPL)
GEO Sample (GSM)
GEO Series (GSE)
GEO Dataset (GDS)
理解起来也很容易。一篇文章可以有一个或者多个GSE数据集，一个GSE里面可以有一个或者多个GSM样本。多个研究的GSM样本可以根据研究目的整合为一个GDS，不过GDS本身用的很少。而每个数据集都有着自己对应的芯片平台，就是GPL。
然后还是芯片挖掘的例子
2.从GEO数据库下载得到表达矩阵 一文就够
然后又看到了这一篇，文中提到geo上的illumina测序芯片。这个illumina我是知道的，这个公司就是二代测序的代表，有点靠近转录组的意思了。
image.png
3.GEO数据挖掘技术可以应用到表达芯片也可以是转录组测序
最终定位到这一篇解决了我的疑惑。
那如果是RNA-seq测序数据呢？
通常呢，RNA-seq测序数据并不会把其表达矩阵存储在Series Matrix File(s) 里面，所以 你使用我的标准代码：
rm(list = ls()) ## 魔幻操作，一键清空~
options(stringsAsFactors = F)#在调用as.data.frame的时，将stringsAsFactors设置为FALSE可以避免character类型自动转化为factor类型
# 注意查看下载文件的大小，检查数据
f='GSE103611_eSet.Rdata'
# https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE103611
library(GEOquery)
# 这个包需要注意两个配置，一般来说自动化的配置是足够的。
#Setting options('download.file.method.GEOquery'='auto')
#Setting options('GEOquery.inmemory.gpl'=FALSE)
if(!file.exists(f)){
gset <- getGEO('GSE103611', destdir=".",
AnnotGPL = F, ## 注释文件
getGPL = F) ## 平台文件
save(gset,file=f) ## 保存到本地
}
load('GSE103611_eSet.Rdata') ## 载入数据
class(gset) #查看数据类型
length(gset) #
class(gset[[1]])
gset
# assayData: 352859 features, 48 samples
比如对 https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE106292 上面的代码就拿不到表达矩阵
因为，这个是RNA-seq数据，作者会把自己的表达矩阵变成Excel表格，方便大家探索！
image.png
记住，我这里强调了是作者自己的表达矩阵，因为RNA-seq数据分析流程还不一样！参数不一样，软件不一样，数据库不一样，而且最后的表达矩阵的表现形式又不一样！是原始的counts还是RPKM，TPM都不一样！如果作者确实不上传其表达矩阵，你也没办法，只能是自己走RNA-seq数据分析流程：
image.png
这里面的知识细节太复杂了，我就不一一展开！建议大家看我们阅读量过10万的RNA-seq系列推文，比如：表达矩阵的归一化和标准化，去除极端值，异常值
然后我想下载下来看看，先用网络下载一个是不完整是空白，换用手机热点，提示需要14天才能下载完。
image.png
等以后网速好的时候再看好了。至少我已经知道了GEO上是有测序数据的
网友评论