解读GEO数据存放规律及下载，一文就够

做生物信息学分析的朋友应该是对GEO数据库耳熟能详了，总会用到公共数据库的，而GEO数据库则是首选，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！

https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE84498

GEO数据库基本介绍

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。

使用GEOquery包从GEO数据库下载数据

官网详细用法：https://warwick.ac.uk/fac/sci/moac/people/students/peter_cock/r/geo/ 而且我写了这个软件包的中文用法：http://www.bio-info-trainee.com/bioconductor_China/software/GEOquery.html

而且需要理解所有bioconductor支持的芯片平台对应关系：通过bioconductor包来获取所有的芯片探针与gene的对应关系

首先是下载函数的使用

包的本质就是getGEO函数，用法列举如下：

1、根据GDS号来下载数据，下载soft文件

gds858 <- getGEO(‘GDS858’, destdir=“.”)

2、根据GPL号下载的是芯片设计的信息！

gpl96 <- getGEO(‘GPL96’, destdir=“.”) ```

3、根据GSE号下载数据，下载_series_matrix.txt.gz

gse1009 <- getGEO(‘GSE1009’, destdir=“.”)

上面的代码下载的文件都会保存在本地，destdir参数指定下载地址。比较重要的三个参数是：GSEMatrix=TRUE,AnnotGPL=FALSE,getGPL=TRUE

然后是了解下载函数返回的对象

1、查看下载GDS后返回的对象

用Table(gds858)可以得到表达矩阵！用Meta(gds858)可以得到描述信息!

具体代码如下：

options(warn=-1)
suppressMessages(library(GEOquery))
gds858 <- getGEO('GDS858', destdir=".")
names(Meta(gds858))
Table(gds858)[1:5,1:5]

然后还可以用 GDS2eSet函数把它转变为 expression set 对象, expression set这个对象非常之重要，后续会详细讲解：

 eset <- GDS2eSet(gds858, do.log2=TRUE)

2、GSE

直接根据GSE号返回的对象：gse1009，就是expression set 对象 我们的处理函数有：geneNames/sampleNames/pData/exprs (这个是重点，对expression set 对象的操作函数)

3、GPL

根据GPL号下载返回的对象跟GDS一样，也是用Table/Meta处理！

options(warn=-1)
suppressMessages(library(GEOquery))
gpl96 <- getGEO('GPL96', destdir=".")
names(Meta(gpl96))
Table(gpl96)[1:10,1:4]

一般来说我们下载GPL是为了得到芯片的探针对应基因ID的关系列表，下面这个代码就是芯片ID的基因注释信息

包装成函数

downGSE <- function(studyID = "GSE1009", destdir = ".") {

    library(GEOquery)
    eSet <- getGEO(studyID, destdir = destdir, getGPL = F)

    exprSet = exprs(eSet[[1]])
    pdata = pData(eSet[[1]])

    write.csv(exprSet, paste0(studyID, "_exprSet.csv"))
    write.csv(pdata, paste0(studyID, "_metadata.csv"))
    return(eSet)

}

参考链接：http://www.bio-info-trainee.com/1085.html

番外

也可以用GEOmetadb包来获取对应GEO数据的实验信息（得到metadata数据），可以批量得到多个GSE数据集的信息,如下：

GSE1009
GSE10785
GSE1133
GSE11975
GSE121
GSE12409

执行下面代码即可：

library（GEOmetadb）
if（！file.exists('GEOmetadb.sqlite')） getSQLiteFile()
## 取决于网速哦
file.info('/path/GEOmetadb.sqlite')
con <- dbConnect(SQLite(),'/path/GEOmetadb.sqlite'))
#dbListTables(con2)
#dbListFields(con2,'gse')
GeoList = read.table("diabetes.GEO.list")
query = paste("select + from gsm where series_id in
            (  ' ", gsub(", ", " ', ' ", paste(Geolist[,1], collapse="，"），" '）", seq=" ")
query
tmp = dbGetQuery(con2, query)
write.csv(tmp, "diabetes.GEO.meta.csv")

作业

大家可以使用上面介绍的R包及GEO数据库知识，把文中列出的几个GSE数据集探索一下。

或者下面这些：

GSE11072  2009-gastric cancer SBC Human 16K cDNA Microarray
GSE42872 2015-melanoma-vemurafenib HuGene-1_0-st 
GSE24673 2015-hub-gene-mcode-retinoblastoma  HuGene-1_0-st 
GSE22863  2011-NSCLC HuGene-1_0-st 
GSE622221, GSE4180414, GSE5140122 A total of 117 samples (54 cases and 63 controls) Affymetrix Human Genome U133 Plus 2.0 Array  2015-HCC
GSE21815  2016-CRC Agilent-014850 Whole Human Genome Microarray 4x44K