表型文件，元数据的处理（1）

对pdata的处理可以在下载后直接完成，供后续分析。但实际过程中无法第一时间明确数据挖掘的目的，所以也会随着数据分析的过程逐步完成。

# 程序功能：
# 1、选择百草枯和对照样本数据，保存文件。
# 2、提取相应分组信息，并提取批次信息。供差异分析
rm(list = ls())
path <- "F:\\myresearch\\paraquatGEO"
setwd(path)
library(stringr)
library(dplyr)
select <- dplyr::select

load(".\\data\\exprset_select.RData")

# 读取总表达矩阵--------------------------------
gse_id <- "GSE51952"
exprSet <- read.csv(paste0(".\\data\\", gse_id, "_annoted.csv"), row.names = 1)
exprSet[1:10, 1:10]

开始处理

# 读入并处理元数据-----------------
pdata <- read.csv(paste0(".\\data\\", gse_id, "_metadata.csv"), row.names = 1)
pdata[1:10, 1:10]
pdata_info <- pdata %>% apply(2, function(x) {
  unique(x)
})
pdata_unique_cout <- pdata %>%
  lapply(function(x) (unique(x) %>% length())) %>%
  data.frame() %>%
  t() %>%
  data.frame()
colnames(pdata_unique_cout) <- c("n")
str(pdata_unique_cout)
pdata <- pdata %>% select(pdata_unique_cout %>% filter(n > 1) %>% rownames())
str(pdata)

pdata <- pdata %>% mutate(
  # 提取批次信息
  batch = str_extract(pdata$title, "rep[1-9]$"),
  # 提取化合物信息
  compond = str_extract(pdata$compound..dose.ch1, "^[A-Za-z0-9]*"),
  # 处理title列，删除不需要的字符
  title1 = pdata$title %>%
    sapply(function(x) {
      str_split(x, "_")[[1]][c(-1, -2, -3)] %>%
        str_c(collapse = "_") %>%
        str_replace("24h_", "")
    })
)

# 手动完成，找到可供参考的列
pdata$compond %>% table()

# 查看其他表型信息
pdata %>% apply(2, function(x) table(x))
# 插入分组信息列，非必须，为了代码通用性，建议应用
pdata <- pdata %>% mutate(group = compond)
pdata$group %>% table()

处理结束，以下为其他代码，不重要

# 查看特定化合物行索引
which(pdata[, "compond"] == "PAQ")
# which(pdata[,"compond"] == "LiC")
View(pdata[30:50, ])

# 提取后面紧跟着的做对照组
pdata_1 <- pdata[c(40:48), ]

# 提取相应的表达矩阵
exprSet_1 <- exprSet[, rownames(pdata_1)]

# 保存
save(exprSet_1, pdata_1, file = ".\\data\\paq_and_pbs.RData")
# save(exprSet_1,pdata_1,file = ".\\data\\lic_and_pbs.RData")

save.image(file = ".\\data\\exprset_select.RData")