Gene Expression Omnibus database (GEO)是由NCBI负责维护的一个数据库，设计初衷是为了收集整理各种表达芯片数据，但是后来也加入了甲基化芯片，甚至高通量测序数据！

1、GEO Platform (GPL) 芯片平台
2、GEO Sample (GSM) 样本ID号
3、GEO Series (GSE) study的ID号
4、GEO Dataset (GDS) 数据集的ID号

1、用GEOquery从GEO数据库下载数据

#这应该是所有启动R写代码时的操作
> rm(list = ls())#清空所有变量
> options(stringsAsFactors = F)#字符串不设置成因子

正式代码

> library(GEOquery)#加载包
#插播：[[1]]列表取子集，最里面1只能是位置
#用GEOquery包里面的函数getGEO，并用GSE42872该芯片
> eSet <- getGEO("GSE42872",      
               destdir = '.', #目标目录，下载并读取在当前路径；默认为工作目录
               getGPL = F)#不同时下载临床信息#此时的临床信息大；
#getGEO(GEO = NULL, filename = NULL, destdir = tempdir(), SElimits=NULL,GSEMatrix=TRUE,AnnotGPL=FALSE)

• View(eSet)

View(eSet).png

• class(eSet)#显示eSet是一个列表

> class(eSet)
[1] "list"

• 从GEO下载GSE的数据，读取，赋值给了eSet，当本地目录下有该数据集时，不会下载了;

• 当信息下载不完整，重新下载或自行网页下载并放在工作目录下。

• 此时的eSet是一个大的列表，可以用View,一个是实验数据

• 既然是列表，那么从列表中提取信息就是 eSet[[1]]

(1)提取表达矩阵exp

> exp <- exprs(eSet[[1]])#eSet的第一项就是实验数据，提取表达矩阵。

> exp[1:4,1:4]
>        GSM1052615 GSM1052616 GSM1052617 GSM1052618
7892501    7.24559    6.80686    7.73301    6.18961
7892502    6.82711    6.70157    7.02471    6.20493
7892503    4.39977    4.50781    4.88250    4.36295
7892504    9.48025    9.67952    9.63074    9.69200
#View(exp)样本名（竖行名）芯片ID（横行）
#这个时候需要肉眼检查下数据的情况，看是否取对数了
#exp = log2(exp+1)#有表达量exp为0的数据没有意义,所以才加0

exp.png

(2)提取临床信息——将样本表型信息从数据框中提取出

##将样本表型信息从数据框中提取出来【取出来的是表型、样本的数据框】
> pd <- pData(eSet[[1]])
> View(pd)#有汉字乱码
> colnames(pd)
 [1] "title"                   "geo_accession"          
 [3] "status"                  "submission_date"        
 [5] "last_update_date"        "type"                   
 [7] "channel_count"           "source_name_ch1"        
 [9] "organism_ch1"            "characteristics_ch1"    
[11] "characteristics_ch1.1"   "treatment_protocol_ch1" 
[13] "growth_protocol_ch1"     "molecule_ch1"           
[15] "extract_protocol_ch1"    "label_ch1"              
[17] "label_protocol_ch1"      "taxid_ch1"              
[19] "hyb_protocol"            "scan_protocol"          
[21] "description"             "data_processing"        
[23] "platform_id"             "contact_name"           
[25] "contact_email"           "contact_institute"      
[27] "contact_address"         "contact_city"           
[29] "contact_zip/postal_code" "contact_country"        
[31] "supplementary_file"      "data_row_count"         
[33] "cell line:ch1"           "cell type:ch1" 

pd.png

(3)提取芯片平台编号

> gpl <- eSet[[1]]@annotation#对应平台是GPL6244;
> gpl
[1] "GPL6244"
#View(gpl)#接下来就需要知道GPL6244对应的注释包
> save(pd,exp,gpl,file = "step1output.Rdata")#保存了数据
#总结，下载表达数据，临床信息