使用GEOquery包

肖恩戴維斯

2014年9月21日

1?GEO概述

1.1平臺

1.2樣品

1.3系列

1.4數(shù)據(jù)集

2使用GEOquery入門

3?GEOquery數(shù)據(jù)結(jié)構(gòu)

3.1?GDS，GSM和GPL類

3.2?GSE課程

4轉(zhuǎn)換為BioConductor ExpressionSets和limma MALists

4.1將?GSE Series Matrix文件作為ExpressionSet獲取

4.2將GDS轉(zhuǎn)換為ExpressionSet

4.3將GDS轉(zhuǎn)換為MAList

4.4將GSE轉(zhuǎn)換為ExpressionSet

5從GEO訪問原始數(shù)據(jù)

6個用例

6.1獲取給定平臺的所有系列記錄

7結(jié)論

7.1引用GEOquery

7.2報(bào)告問題或錯誤

8會話信息

1?GEO概述

NCBI Gene Expression Omnibus（GEO）作為各種高通量實(shí)驗(yàn)數(shù)據(jù)的公共存儲庫。這些數(shù)據(jù)包括基于單通道和雙通道微陣列的實(shí)驗(yàn)，測量mRNA，基因組DNA和蛋白質(zhì)豐度，以及非陣列技術(shù)，如基因表達(dá)系列分析（SAGE），質(zhì)譜蛋白質(zhì)組學(xué)數(shù)據(jù)和高通量測序數(shù)據(jù)。

在GEO最基本的組織層面，有四種基本實(shí)體類型。前三個（樣本，平臺和系列）由用戶提供;?第四，數(shù)據(jù)集由GEO工作人員根據(jù)用戶提交的數(shù)據(jù)進(jìn)行編譯和策劃。有關(guān)更多信息，請參閱GEO主頁。

1.1平臺

平臺記錄描述陣列上的元件列表（例如，cDNA，寡核苷酸探針組，ORF，抗體）或可在該實(shí)驗(yàn)中檢測和定量的元件列表（例如，SAGE標(biāo)簽，肽）。每個平臺記錄都分配有唯一且穩(wěn)定的GEO登錄號（GPLxxx）。平臺可以引用多個提交者提交的許多樣本。

1.2樣品

樣品記錄描述了處理單個樣品的條件，它經(jīng)歷的操作以及從中得到的每個元素的豐度測量。每個樣品記錄都分配有唯一且穩(wěn)定的GEO登錄號（GSMxxx）。Sample實(shí)體必須僅引用一個Platform，并且可以包含在多個Series中。

1.3系列

系列記錄定義了一組被認(rèn)為是組的一部分的相關(guān)樣本，樣本如何相關(guān)，以及它們是否以及如何排序。A系列提供了整個實(shí)驗(yàn)的焦點(diǎn)和描述。系列記錄還可能包含描述提取數(shù)據(jù)，摘要結(jié)論或分析的表格。每個系列記錄都分配有唯一且穩(wěn)定的GEO登記號（GSExxx）。系列記錄有幾種格式，由GEOquery獨(dú)立處理。較小的和新的GSEMatrix文件解析起來非常快;?GEOquery使用一個簡單的標(biāo)志來選擇使用GSEMatrix文件（見下文）。

1.4數(shù)據(jù)集

GEO DataSet（GDSxxx）是GEO樣本數(shù)據(jù)的精選集合。GDS記錄代表了一系列具有生物學(xué)和統(tǒng)計(jì)學(xué)意義的GEO樣本，構(gòu)成了GEO數(shù)據(jù)顯示和分析工具套件的基礎(chǔ)。GDS中的樣本指的是同一個平臺，也就是說，它們共享一組共同的探測元素。假設(shè)GDS中每個樣本的值測量值以等效方式計(jì)算，即背景處理和標(biāo)準(zhǔn)化等考慮因素在整個數(shù)據(jù)集中是一致的。通過GDS子集提供反映實(shí)驗(yàn)設(shè)計(jì)的信息。

2使用GEOquery入門

從GEO獲取數(shù)據(jù)非常簡單。只需要一個命令，getGEO。這一函數(shù)解釋其輸入以確定如何從GEO獲取數(shù)據(jù)，然后將數(shù)據(jù)解析為有用的R數(shù)據(jù)結(jié)構(gòu)。用法很簡單。這會加載GEOquery庫。

library(GEOquery)

現(xiàn)在，我們可以自由訪問任何GEO加入。請注意，在下面，我使用與GEOquery包一起打包的文件。通常，您將僅使用GEO加入，如代碼注釋中所述。

# If you have network access, the more typical way to do this# would be to use this:# gds <- getGEO("GDS507")gds <- getGEO(filename=system.file("extdata/GDS507.soft.gz",package="GEOquery"))

現(xiàn)在，gds包含GDS代表GEO的GDS507條目的R數(shù)據(jù)結(jié)構(gòu)（類）。您會注意到用于存儲下載的文件名已輸出到屏幕（但不保存在任何地方），以便以后用于調(diào)用getGEO(filename=...)。

我們可以對任何其他GEO加入進(jìn)行相同的操作，例如GSM11805GEO樣本。

# If you have network access, the more typical way to do this# would be to use this:# gds <- getGEO("GSM11805")gsm <- getGEO(filename=system.file("extdata/GSM11805.txt.gz",package="GEOquery"))

3?GEOquery數(shù)據(jù)結(jié)構(gòu)

GEOquery數(shù)據(jù)結(jié)構(gòu)實(shí)際上有兩種形式。第一個，包含GDS，GPL和GSM所有行為相似，訪問者對每個都有類似的影響。第四個GEOquery數(shù)據(jù)結(jié)構(gòu)，GSE是由對象GSM和GPL對象組合而成的復(fù)合數(shù)據(jù)類型。我將首先解釋前三個。

3.1?GDS，GSM和GPL類

這些類中的每一個都包含一個元數(shù)據(jù)頭（幾乎從SOFT格式標(biāo)題中逐字逐句）和一個GEODataTable。GEODataTable有兩個簡單的部分，一個Columns部分，用于描述Table部分的列標(biāo)題。show每個班級還有一種方法。例如，使用上面的gsm：

# Look at gsm metadata:head(Meta(gsm))

## $channel_count## [1] "1"#### $comment## [1] "Raw data provided as supplementary file"#### $contact_address## [1] "715 Albany Street, E613B"#### $contact_city## [1] "Boston"#### $contact_country## [1] "USA"#### $contact_department## [1] "Genetics and Genomics"

# Look at data associated with the GSM:# but restrict to only first 5 rows, for brevityTable(gsm)[1:5,]

##? ? ? ? ? ID_REF? VALUE ABS_CALL## 1 AFFX-BioB-5_at? 953.9? ? ? ? P## 2 AFFX-BioB-M_at 2982.8? ? ? ? P## 3 AFFX-BioB-3_at 1657.9? ? ? ? P## 4 AFFX-BioC-5_at 2652.7? ? ? ? P## 5 AFFX-BioC-3_at 2019.5? ? ? ? P

# Look at Column descriptions:Columns(gsm)

##? ? Column## 1? ID_REF## 2? ? VALUE## 3 ABS_CALL##? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? Description## 1## 2? ? ? ? ? ? ? ? ? ? ? ? MAS 5.0 Statistical Algorithm (mean scaled to 500)## 3 MAS 5.0 Absent, Marginal, Present call? with Alpha1 = 0.05, Alpha2 = 0.065

在GPL類的行為完全一樣的GSM類。但是，GDS該類具有與該Columns方法相關(guān)的更多信息：

Columns(gds)[,1:3]

##? ? ? sample disease.state individual## 1? GSM11815? ? ? ? ? RCC? ? ? ? 035## 2? GSM11832? ? ? ? ? RCC? ? ? ? 023## 3? GSM12069? ? ? ? ? RCC? ? ? ? 001## 4? GSM12083? ? ? ? ? RCC? ? ? ? 005## 5? GSM12101? ? ? ? ? RCC? ? ? ? 011## 6? GSM12106? ? ? ? ? RCC? ? ? ? 032## 7? GSM12274? ? ? ? ? RCC? ? ? ? ? 2## 8? GSM12299? ? ? ? ? RCC? ? ? ? ? 3## 9? GSM12412? ? ? ? ? RCC? ? ? ? ? 4## 10 GSM11810? ? ? ? normal? ? ? ? 035## 11 GSM11827? ? ? ? normal? ? ? ? 023## 12 GSM12078? ? ? ? normal? ? ? ? 001## 13 GSM12099? ? ? ? normal? ? ? ? 005## 14 GSM12269? ? ? ? normal? ? ? ? ? 1## 15 GSM12287? ? ? ? normal? ? ? ? ? 2## 16 GSM12301? ? ? ? normal? ? ? ? ? 3## 17 GSM12448? ? ? ? normal? ? ? ? ? 4

3.2?GSE課程

該GSE實(shí)體是GEO實(shí)體中最混亂的。GSE條目可以表示在任意數(shù)量的平臺上運(yùn)行的任意數(shù)量的樣本。該GSE班有一個元數(shù)據(jù)部分，就像其他類。但是，它沒有GEODataTable。相反，它包含兩個列表，可以使用GPLList和GSMList方法訪問，每個列表都包含對象GPL和列表GSM。舉個例子：

# Again, with good network access, one would do:# gse <- getGEO("GSE781",GSEMatrix=FALSE)gse <- getGEO(filename=system.file("extdata/GSE781_family.soft.gz",package="GEOquery"))head(Meta(gse))

## $contact_address## [1] "715 Albany Street, E613B"#### $contact_city## [1] "Boston"#### $contact_country## [1] "USA"#### $contact_department## [1] "Genetics and Genomics"#### $contact_email## [1] "mlenburg@bu.edu"#### $contact_fax## [1] "617-414-1646"

# names of all the GSM objects contained in the GSEnames(GSMList(gse))

##? [1] "GSM11805" "GSM11810" "GSM11814" "GSM11815" "GSM11823" "GSM11827"##? [7] "GSM11830" "GSM11832" "GSM12067" "GSM12069" "GSM12075" "GSM12078"## [13] "GSM12079" "GSM12083" "GSM12098" "GSM12099" "GSM12100" "GSM12101"## [19] "GSM12105" "GSM12106" "GSM12268" "GSM12269" "GSM12270" "GSM12274"## [25] "GSM12283" "GSM12287" "GSM12298" "GSM12299" "GSM12300" "GSM12301"## [31] "GSM12399" "GSM12412" "GSM12444" "GSM12448"

# and get the first GSM object on the listGSMList(gse)[[1]]

## An object of class "GSM"## channel_count## [1] "1"## comment## [1] "Raw data provided as supplementary file"## contact_address## [1] "715 Albany Street, E613B"## contact_city## [1] "Boston"## contact_country## [1] "USA"## contact_department## [1] "Genetics and Genomics"## contact_email## [1] "mlenburg@bu.edu"## contact_fax## [1] "617-414-1646"## contact_institute## [1] "Boston University School of Medicine"## contact_name## [1] "Marc,E.,Lenburg"## contact_phone## [1] "617-414-1375"## contact_state## [1] "MA"## contact_web_link## [1] "http://gg.bu.edu"## contact_zip/postal_code## [1] "02130"## data_row_count## [1] "22283"## description## [1] "Age = 70; Gender = Female; Right Kidney; Adjacent Tumor Type = clear cell; Adjacent Tumor Fuhrman Grade = 3; Adjacent Tumor Capsule Penetration = true; Adjacent Tumor Perinephric Fat Invasion = true; Adjacent Tumor Renal Sinus Invasion = false; Adjacent Tumor Renal Vein Invasion = true; Scaling Target = 500; Scaling Factor = 7.09; Raw Q = 2.39; Noise = 2.60; Background = 55.24."## [2] "Keywords = kidney"## [3] "Keywords = renal"## [4] "Keywords = RCC"## [5] "Keywords = carcinoma"## [6] "Keywords = cancer"## [7] "Lot batch = 2004638"## geo_accession## [1] "GSM11805"## last_update_date## [1] "May 28 2005"## molecule_ch1## [1] "total RNA"## organism_ch1## [1] "Homo sapiens"## platform_id## [1] "GPL96"## series_id## [1] "GSE781"## source_name_ch1## [1] "Trizol isolation of total RNA from normal tissue adjacent to Renal Cell Carcinoma"## status## [1] "Public on Nov 25 2003"## submission_date## [1] "Oct 20 2003"## supplementary_file## [1] "ftp://ftp.ncbi.nih.gov/pub/geo/DATA/supplementary/samples/GSM11nnn/GSM11805/GSM11805.CEL.gz"## title## [1] "N035 Normal Human Kidney U133A"## type## [1] "RNA"## An object of class "GEODataTable"## ****** Column Descriptions ******##? ? Column## 1? ID_REF## 2? ? VALUE## 3 ABS_CALL##? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? Description## 1## 2? ? ? ? ? ? ? ? ? ? ? ? MAS 5.0 Statistical Algorithm (mean scaled to 500)## 3 MAS 5.0 Absent, Marginal, Present call? with Alpha1 = 0.05, Alpha2 = 0.065## ****** Data Table ******##? ? ? ? ? ID_REF? VALUE ABS_CALL## 1 AFFX-BioB-5_at? 953.9? ? ? ? P## 2 AFFX-BioB-M_at 2982.8? ? ? ? P## 3 AFFX-BioB-3_at 1657.9? ? ? ? P## 4 AFFX-BioC-5_at 2652.7? ? ? ? P## 5 AFFX-BioC-3_at 2019.5? ? ? ? P## 22278 more rows ...

# and the names of the GPLs representednames(GPLList(gse))

## [1] "GPL96" "GPL97"

請參閱下文，了解獲取GSE信息的其他首選方法。

4轉(zhuǎn)換為BioConductor ExpressionSets和limma MALists

GEO數(shù)據(jù)集（不像其他一些地理實(shí)體的），比較相似limma的數(shù)據(jù)結(jié)構(gòu)MAList，并為Biobase數(shù)據(jù)結(jié)構(gòu)ExpressionSet。因此，有兩個功能，GDS2MA并且GDS2eSet是完成這項(xiàng)任務(wù)。

4.1將?GSE Series Matrix文件作為ExpressionSet獲取

GEO系列是相關(guān)實(shí)驗(yàn)的集合。除了可用作非常大的SOFT格式文件外，NCBI GEO還根據(jù)制表符分隔的文本準(zhǔn)備了一個更簡單的格式文件。該getGEO函數(shù)可以處理這種格式，并且可以非常快速地解析非常大的GSE。從此解析返回的數(shù)據(jù)結(jié)構(gòu)是ExpressionSets列表。例如，我們下載并解析GSE2553。

# Note that GSEMatrix=TRUE is the defaultgse2553 <- getGEO('GSE2553',GSEMatrix=TRUE)show(gse2553)

## $GSE2553_series_matrix.txt.gz## ExpressionSet (storageMode: lockedEnvironment)## assayData: 12600 features, 181 samples##? element names: exprs## protocolData: none## phenoData##? sampleNames: GSM48681 GSM48682 ... GSM48861 (181 total)##? varLabels: title geo_accession ... data_row_count (30 total)##? varMetadata: labelDescription## featureData##? featureNames: 1 2 ... 12600 (12600 total)##? fvarLabels: ID PenAt ... Chimeric_Cluster_IDs (13 total)##? fvarMetadata: Column Description labelDescription## experimentData: use 'experimentData(object)'## Annotation: GPL1977

show(pData(phenoData(gse2553[[1]]))[1:5,c(1,6,8)])

##? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? title## GSM48681? ? ? ? ? ? ? ? ? ? ? Patient sample ST18, Dermatofibrosarcoma## GSM48682? ? ? ? ? ? ? ? ? ? ? ? ? Patient sample ST410, Ewing Sarcoma## GSM48683? ? ? ? ? ? ? ? ? ? ? ? ? ? Patient sample ST130, Sarcoma, NOS## GSM48684 Patient sample ST293, Malignant Peripheral Nerve Sheath Tumor## GSM48685? ? ? ? ? ? ? ? ? ? ? ? ? ? Patient sample ST367, Liposarcoma##? ? ? ? ? type? ? ? ? ? ? ? ? ? ? ? ? source_name_ch1## GSM48681? RNA? ? ? ? ? ? ? ? ? ? Dermatofibrosarcoma## GSM48682? RNA? ? ? ? ? ? ? ? ? ? ? ? ? Ewing Sarcoma## GSM48683? RNA? ? ? ? ? ? ? ? ? ? ? ? ? ? Sarcoma, NOS## GSM48684? RNA Malignant Peripheral Nerve Sheath Tumor## GSM48685? RNA? ? ? ? ? ? ? ? ? ? ? ? ? ? Liposarcoma

4.2將GDS轉(zhuǎn)換為ExpressionSet

gds從上面看我們的對象，我們可以簡單地做：

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

現(xiàn)在，eset是一個ExpressionSet包含相同的信息作為GEO數(shù)據(jù)集，包括樣品信息，我們可以在這里看到：

eset

## ExpressionSet (storageMode: lockedEnvironment)## assayData: 22645 features, 17 samples##? element names: exprs## protocolData: none## phenoData##? sampleNames: GSM11815 GSM11832 ... GSM12448 (17 total)##? varLabels: sample disease.state individual description##? varMetadata: labelDescription## featureData##? featureNames: 200000_s_at 200001_at ... AFFX-TrpnX-M_at (22645##? ? total)##? fvarLabels: ID Gene title ... GO:Component ID (21 total)##? fvarMetadata: Column labelDescription## experimentData: use 'experimentData(object)'##? pubMedIds: 14641932## Annotation:

pData(eset)[,1:3]

##? ? ? ? ? ? sample disease.state individual## GSM11815 GSM11815? ? ? ? ? RCC? ? ? ? 035## GSM11832 GSM11832? ? ? ? ? RCC? ? ? ? 023## GSM12069 GSM12069? ? ? ? ? RCC? ? ? ? 001## GSM12083 GSM12083? ? ? ? ? RCC? ? ? ? 005## GSM12101 GSM12101? ? ? ? ? RCC? ? ? ? 011## GSM12106 GSM12106? ? ? ? ? RCC? ? ? ? 032## GSM12274 GSM12274? ? ? ? ? RCC? ? ? ? ? 2## GSM12299 GSM12299? ? ? ? ? RCC? ? ? ? ? 3## GSM12412 GSM12412? ? ? ? ? RCC? ? ? ? ? 4## GSM11810 GSM11810? ? ? ? normal? ? ? ? 035## GSM11827 GSM11827? ? ? ? normal? ? ? ? 023## GSM12078 GSM12078? ? ? ? normal? ? ? ? 001## GSM12099 GSM12099? ? ? ? normal? ? ? ? 005## GSM12269 GSM12269? ? ? ? normal? ? ? ? ? 1## GSM12287 GSM12287? ? ? ? normal? ? ? ? ? 2## GSM12301 GSM12301? ? ? ? normal? ? ? ? ? 3## GSM12448 GSM12448? ? ? ? normal? ? ? ? ? 4

4.3將GDS轉(zhuǎn)換為MAList

沒有注釋信息（由GEO稱為平臺信息），因?yàn)镋xpressionSet通常不包含基因信息的插槽。但是，很容易獲得這些信息。首先，我們需要知道這個GDS使用的平臺。然后，另一個電話getGEO會給我們提供我們需要的東西。

#get the platform from the GDS metadataMeta(gds)$platform

## [1] "GPL97"

#So use this information in a call to getGEOgpl <- getGEO(filename=system.file("extdata/GPL97.annot.gz",package="GEOquery"))

所以，gpl現(xiàn)在包含GEO的GPL5信息。與ExpressionSetlimma?不同，limma?MAList存儲基因注釋信息，因此我們可以在調(diào)用中使用我們新創(chuàng)建gpl的類GPL，GDS2MA如下所示：

MA <- GDS2MA(gds,GPL=gpl)class(MA)

## [1] "MAList"## attr(,"package")## [1] "limma"

現(xiàn)在，MA它MAList不僅包含數(shù)據(jù)，還包含與GDS507相關(guān)的樣本信息和基因信息。

4.4將GSE轉(zhuǎn)換為ExpressionSet

首先，確保使用上面“將GSE系列矩陣文件作為表達(dá)式集獲取”部分中描述的方法來使用GSE Series Matrix文件不足以完成任務(wù)，因?yàn)樗旄唵巍?/i>如果不是（即，需要來自每個GSM的其他列），則將需要該方法。

轉(zhuǎn)換GSE對象到ExpressionSet對象目前采用比特的R數(shù)據(jù)操縱由于可存儲在所述變化數(shù)據(jù)GSE和底層GSM和GPL對象。但是，使用一個簡單的例子有望說明該技術(shù)。

首先，我們需要確保所有這些GSMs都來自同一平臺：

gsmplatforms <- lapply(GSMList(gse),function(x) {Meta(x)$platform_id})head(gsmplatforms)

## $GSM11805## [1] "GPL96"#### $GSM11810## [1] "GPL97"#### $GSM11814## [1] "GPL96"#### $GSM11815## [1] "GPL97"#### $GSM11823## [1] "GPL96"#### $GSM11827## [1] "GPL97"

實(shí)際上，有兩個GPL，GPL96和GPL97，作為他們的平臺（我們可以通過查看GPLList來確定gse）。我們可以過濾原始GSMList以僅包含具有GPL96平臺的那些GSM并使用該列表進(jìn)行進(jìn)一步處理

gsmlist = Filter(function(gsm) {Meta(gsm)$platform_id=='GPL96'},GSMList(gse))length(gsmlist)

## [1] 17

所以，現(xiàn)在我們想知道哪個列代表我們想要提取的數(shù)據(jù)。查看單個GSM表的前幾行可能會給我們一個想法（順便說一句，GEO使用一種慣例，即每個數(shù)組包含單個測量的VALUE列稱為列，如果我們可以使用，我們不知道其他哪一欄最相關(guān)）。

Table(gsmlist[[1]])[1:5,]

##? ? ? ? ? ID_REF? VALUE ABS_CALL## 1 AFFX-BioB-5_at? 953.9? ? ? ? P## 2 AFFX-BioB-M_at 2982.8? ? ? ? P## 3 AFFX-BioB-3_at 1657.9? ? ? ? P## 4 AFFX-BioC-5_at 2652.7? ? ? ? P## 5 AFFX-BioC-3_at 2019.5? ? ? ? P

# and get the column descriptionsColumns(gsmlist[[1]])[1:5,]

##? ? ? ? Column## 1? ? ? ID_REF## 2? ? ? VALUE## 3? ? ABS_CALL## NA? ? ? ## NA.1? ? ##? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? Description## 1## 2? ? ? ? ? ? ? ? ? ? ? ? ? ? MAS 5.0 Statistical Algorithm (mean scaled to 500)## 3? ? MAS 5.0 Absent, Marginal, Present call? with Alpha1 = 0.05, Alpha2 = 0.065## NA? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ## NA.1? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

我們確實(shí)會使用這個VALUE專欄。然后我們想要制作這些值的矩陣，如下所示：

# get the probeset orderingprobesets <- Table(GPLList(gse)[[1]])$ID# make the data matrix from the VALUE columns from each GSM# being careful to match the order of the probesets in the platform# with those in the GSMsdata.matrix <- do.call('cbind',lapply(gsmlist,function(x){tab <- Table(x)mymatch <- match(probesets,tab$ID_REF)return(tab$VALUE[mymatch])? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? }))data.matrix <- apply(data.matrix,2,function(x) {as.numeric(as.character(x))})data.matrix <- log2(data.matrix)data.matrix[1:5,]

##? ? ? GSM11805? GSM11814? GSM11823? GSM11830? GSM12067? GSM12075? GSM12079## [1,] 10.926963 11.105254 11.275019 11.438636 11.424376 11.222795 11.469845## [2,]? 5.749534? 7.908092? 7.093814? 7.514122? 7.901470? 6.407693? 5.165912## [3,]? 7.066089? 7.750205? 7.244126? 7.962896? 7.337176? 6.569856? 7.477354## [4,] 12.660353 12.479755 12.215897 11.458355 11.397568 12.529870 12.240046## [5,]? 6.195741? 6.061776? 6.565293? 6.583459? 6.877744? 6.652486? 3.981853##? ? ? GSM12098? GSM12100? GSM12105? GSM12268? GSM12270? GSM12283? GSM12298## [1,] 10.823367 10.835971 10.810893 11.062653 10.323055 11.181028 11.566387## [2,]? 6.556123? 8.207014? 6.816344? 6.563768? 7.353147? 5.770829? 6.912889## [3,]? 7.708739? 7.428779? 7.754888? 7.126188? 8.742815? 7.339850? 7.602142## [4,] 12.336534 11.762839 11.237509 12.412490 11.213408 12.678380 12.232901## [5,]? 5.501439? 6.247928? 6.017922? 6.525129? 6.683696? 5.918863? 5.837943##? ? ? GSM12300? GSM12399? GSM12444## [1,] 11.078151 11.535178 11.105450## [2,]? 4.812498? 7.471675? 7.488644## [3,]? 7.383704? 7.432959? 7.381110## [4,] 12.090939 11.421802 12.172834## [5,]? 6.281698? 5.419539? 5.469235

請注意，我們這樣做是match為了確保值和平臺信息的順序相同。最后，制作ExpressionSet對象：

require(Biobase)# go through the necessary steps to make a compliant ExpressionSetrownames(data.matrix) <- probesetscolnames(data.matrix) <- names(gsmlist)pdata <- data.frame(samples=names(gsmlist))rownames(pdata) <- names(gsmlist)pheno <- as(pdata,"AnnotatedDataFrame")eset2 <- new('ExpressionSet',exprs=data.matrix,phenoData=pheno)eset2

## ExpressionSet (storageMode: lockedEnvironment)## assayData: 22283 features, 17 samples##? element names: exprs## protocolData: none## phenoData##? sampleNames: GSM11805 GSM11814 ... GSM12444 (17 total)##? varLabels: samples##? varMetadata: labelDescription## featureData: none## experimentData: use 'experimentData(object)'## Annotation:

因此，使用lapplyGSMList?的組合，可以根據(jù)需要提取盡可能多的感興趣的列來構(gòu)建所選擇的數(shù)據(jù)結(jié)構(gòu)。因?yàn)閬碜訥EO網(wǎng)站的GSM數(shù)據(jù)被完全下載并包含在GSE對象中，所以例如可以提取雙通道陣列的前景和背景以及質(zhì)量。獲取數(shù)組注釋也有點(diǎn)復(fù)雜，但通過在lapply調(diào)用中替換“platform”來獲取每個數(shù)組的平臺信息，可以獲得與每個數(shù)組相關(guān)的其他信息。

5從GEO訪問原始數(shù)據(jù)

NCBI GEO接受（但并非總是需要）原始數(shù)據(jù)，如.CEL文件，.CDF文件，圖像等。有時，快速訪問此類數(shù)據(jù)很有用。單個函數(shù)getGEOSuppFiles可以將GEO登錄作為參數(shù)，并將下載與該登錄關(guān)聯(lián)的所有原始數(shù)據(jù)。默認(rèn)情況下，該函數(shù)將在當(dāng)前工作目錄中創(chuàng)建一個目錄，以存儲所選GEO登錄的原始數(shù)據(jù)。結(jié)合簡單的sapply語句或其他循環(huán)結(jié)構(gòu)，getGEOSuppFiles可以非常簡單地快速輕松地獲取原始數(shù)據(jù)，而無需了解GEO原始數(shù)據(jù)URL的具體信息。

6個用例

GEOquery可以非常強(qiáng)大，可以快速收集大量數(shù)據(jù)。一些示例可用于說明如何為數(shù)據(jù)挖掘目的進(jìn)行此操作。

6.1獲取給定平臺的所有系列記錄

出于數(shù)據(jù)挖掘的目的，有時能夠?yàn)榻o定平臺提取所有GSE記錄。GEOquery使這很容易，但是開始時需要對GPL記錄有一點(diǎn)了解。GPL記錄包含引用它的GSE和GSM加入。一些代碼有助于說明這一點(diǎn)：

gpl97 <- getGEO('GPL97')Meta(gpl97)$title

## [1] "[HG-U133B] Affymetrix Human Genome U133B Array"

head(Meta(gpl97)$series_id)

## [1] "GSE362" "GSE473" "GSE620" "GSE674" "GSE781" "GSE907"

length(Meta(gpl97)$series_id)

## [1] 163

head(Meta(gpl97)$sample_id)

## [1] "GSM3922" "GSM3924" "GSM3926" "GSM3928" "GSM3930" "GSM3932"

length(Meta(gpl97)$sample_id)

## [1] 7877

上面的代碼將GPL97記錄加載到R.Meta方法從GPL記錄中提取標(biāo)題信息列表。在title給該平臺的人的名字。在series_id給出一系列ID的向量。請注意，此平臺有163個系列和7877個樣本。可以使用以下代碼下載所有樣本或系列。我只展示前5個樣本作為例子：

gsmids <- Meta(gpl97)$sample_idgsmlist <- sapply(gsmids[1:5],getGEO)names(gsmlist)

## [1] "GSM3922" "GSM3924" "GSM3926" "GSM3928" "GSM3930"

7結(jié)論

GEOquery包為NCBI GEO存儲庫中包含的大量陣列資源提供了橋梁。通過保持GEO數(shù)據(jù)的豐富性而不是僅僅關(guān)注“數(shù)字”，可以將GEO數(shù)據(jù)集成到當(dāng)前的Bioconductor數(shù)據(jù)結(jié)構(gòu)中，并且可以非常快速，輕松地對該數(shù)據(jù)進(jìn)行分析。希望這些工具能夠更全面地向陣列社區(qū)開放GEO數(shù)據(jù)。

7.1引用GEOquery

如果用于支持您自己的研究，請考慮引用GEOquery：

citation("GEOquery")

#### Please cite the following if utilizing the GEOquery software:####? Davis, S. and Meltzer, P. S. GEOquery: a bridge between the Gene##? Expression Omnibus (GEO) and BioConductor. Bioinformatics, 2007,##? 14, 1846-1847#### A BibTeX entry for LaTeX users is####? @Article{,##? ? author = {Sean Davis and Paul Meltzer},##? ? title = {GEOquery: a bridge between the Gene Expression Omnibus (GEO) and BioConductor},##? ? journal = {Bioinformatics},##? ? year = {2007},##? ? volume = {14},##? ? pages = {1846--1847},##? }

7.2報(bào)告問題或錯誤

如果您在使用GEOquery時遇到問題，Bioconductor支持網(wǎng)站是尋求幫助的第一個好地方。如果您確信GEOquery中存在錯誤（這是非常不尋常的，但并非聞所未聞），請隨時在GEOquery github站點(diǎn)上提交問題或直接從R提交錯誤報(bào)告（將打開一個新的github問題） ：

bug.report(package='GEOquery')

8會話信息

以下包和版本用于制作此插圖。

## R version 3.5.0 (2018-04-23)## Platform: x86_64-pc-linux-gnu (64-bit)## Running under: Ubuntu 16.04.4 LTS#### Matrix products: default## BLAS: /home/biocbuild/bbs-3.7-bioc/R/lib/libRblas.so## LAPACK: /home/biocbuild/bbs-3.7-bioc/R/lib/libRlapack.so#### locale:##? [1] LC_CTYPE=en_US.UTF-8? ? ? LC_NUMERIC=C##? [3] LC_TIME=en_US.UTF-8? ? ? ? LC_COLLATE=C##? [5] LC_MONETARY=en_US.UTF-8? ? LC_MESSAGES=en_US.UTF-8##? [7] LC_PAPER=en_US.UTF-8? ? ? LC_NAME=C##? [9] LC_ADDRESS=C? ? ? ? ? ? ? LC_TELEPHONE=C## [11] LC_MEASUREMENT=en_US.UTF-8 LC_IDENTIFICATION=C#### attached base packages:## [1] parallel? stats? ? graphics? grDevices utils? ? datasets? methods## [8] base#### other attached packages:## [1] GEOquery_2.48.0? ? Biobase_2.40.0? ? ? BiocGenerics_0.26.0## [4] knitr_1.20#### loaded via a namespace (and not attached):##? [1] Rcpp_0.12.16? ? xml2_1.2.0? ? ? bindr_0.1.1? ? ? magrittr_1.5##? [5] hms_0.4.2? ? ? ? R6_2.2.2? ? ? ? rlang_0.2.0? ? ? stringr_1.3.0##? [9] dplyr_0.7.4? ? ? tools_3.5.0? ? ? htmltools_0.3.6? yaml_2.1.18## [13] rprojroot_1.3-2? digest_0.6.15? ? assertthat_0.2.0 tibble_1.4.2## [17] bindrcpp_0.2.2? purrr_0.2.4? ? ? tidyr_0.8.0? ? ? readr_1.1.1## [21] curl_3.2? ? ? ? glue_1.2.0? ? ? evaluate_0.10.1? rmarkdown_1.9## [25] limma_3.36.0? ? stringi_1.1.7? ? compiler_3.5.0? pillar_1.2.2## [29] backports_1.1.2? pkgconfig_2.0.1