GEO數(shù)據(jù)庫(kù)全稱GENE EXPRESSION OMNIBUS，是由美國(guó)國(guó)立生物技術(shù)信息中心NCBI創(chuàng)建并維護(hù)的基因表達(dá)數(shù)據(jù)庫(kù)。它創(chuàng)建于2000年，收錄了世界各國(guó)研究機(jī)構(gòu)提交的基因表達(dá)數(shù)據(jù)（主要包括芯片表達(dá)數(shù)據(jù)，也包含一些高通量測(cè)序表達(dá)數(shù)據(jù)）。這里含有海量的公開的免費(fèi)的數(shù)據(jù)，我們可以利用這些數(shù)據(jù)借助生物信息學(xué)工具再次挖掘這些數(shù)據(jù)，發(fā)表SCI論文。下面介紹一篇2019年發(fā)表的GEO數(shù)據(jù)挖掘套路文章。

文獻(xiàn)

文章今年（2019）發(fā)表在：Gene 上IF=2.6分左右。該文章發(fā)表的雜志影響因子雖然不高，分析的內(nèi)容呢也會(huì)少一些，但是對(duì)于生信數(shù)據(jù)挖掘剛剛?cè)腴T的生物汪來(lái)說(shuō)卻是一個(gè)非常好的入門級(jí)別的文章。

文章的目的是通過生物信息分析的方法，挖掘GEO和TCGA數(shù)據(jù)庫(kù)當(dāng)中的公開數(shù)據(jù)，從而發(fā)現(xiàn)與直腸癌預(yù)后相關(guān)的biomarker，為直腸癌的診斷和治療提供分子診斷依據(jù)。

1.GEO和TCGA數(shù)據(jù)差異分析

作者在GEO數(shù)據(jù)庫(kù)當(dāng)中找到三個(gè)直腸癌相關(guān)的數(shù)據(jù)GSE32323, GSE74602, and GSE113513，分別做差異分析。然后，又下載TCGA當(dāng)中的直腸癌相關(guān)的轉(zhuǎn)錄組數(shù)據(jù)做差異分析，差異分析結(jié)果繪制火山圖（下圖 A）。對(duì)于4組數(shù)據(jù)當(dāng)中的差異基因按照上調(diào)基因（下圖B）和下調(diào)基因（下圖C）分別做韋恩圖，最終得到共有的上調(diào)基因57個(gè)和下調(diào)基因150個(gè)。

2.功能注釋富集分析

通過DAVID數(shù)據(jù)庫(kù)對(duì)差異基因進(jìn)行功能注釋和富集分析。GO富集分析發(fā)現(xiàn)，其中注釋到生物過程（BP）大類的差異基因主要富集的功能term包括：extracellular matrix (ECM) organization, platelet degranulation, response to wounding and extracellular matrix disassembly（下圖A）等等。KEGG通路分析發(fā)現(xiàn)差異基因主要集中在以下通路：Complement and coagulation cascades, ECM-receptor interaction and Sphingolipid metabolism（下圖D）。這些通路或者富集的功能很多都與直腸癌的發(fā)生發(fā)展相關(guān)。

3.蛋白互作網(wǎng)絡(luò)分析發(fā)現(xiàn)hub gene

將以上得到的共有的差異基因上傳到STRING蛋白互作數(shù)據(jù)庫(kù)，利用cytoscape軟件當(dāng)中的cytoHubba插件尋找 hub基因，最后取其中連通性最高的top10個(gè)基因構(gòu)建網(wǎng)絡(luò)，分別是:CCL19, CXCL1, CXCL5, CXCL11, CXCL12, GNG4, INSL5, NMU, PYY, SST（下圖）。

分析上面hub基因?qū)χ蹦c癌的診斷作用：再利用TCGA中的臨床數(shù)據(jù)，作者通過ROC分析發(fā)現(xiàn)這些hub基因?qū)χ蹦c癌的診斷具有很高的準(zhǔn)確性，10個(gè)基因（CCL19, CXCL1,CXCL5, CXCL11, CXCL12, GNG4, INSL5, NMU, PYY, and SST）的AUC值分別是：0.900, 0.927, 0.869, 0.863, 0.980, 0.682, 0.903, 0.790, 0.995, and 0.989。

4.生存分析及預(yù)后分析

通過單因素Cox回歸分析，作者共發(fā)現(xiàn)了 32個(gè)基因與直腸癌的預(yù)后相關(guān)，再通過多因素Cox分析，最終確定9個(gè)基因與直腸癌的預(yù)后強(qiáng)烈相關(guān)，可以作為直腸癌預(yù)后的標(biāo)志分子并建立預(yù)后模型 (-0.1068×SLC4A4) ＋(-0.2564×NFE2L3)+(0.2082×GLDN) +(0.0834×PCOLCE2) +(0.3424×TIMP1)+(0.1149×CCL28) +(-0.0991×SCGB2A1) +(-0.1080×AXIN2) +(-0.1516×MMP1)。Kaplan-Meier曲線顯示，模型預(yù)測(cè)的低風(fēng)險(xiǎn)組與高風(fēng)險(xiǎn)組相比，高風(fēng)險(xiǎn)組患者的死亡風(fēng)險(xiǎn)明顯高于低風(fēng)險(xiǎn)組（下圖A），ROC曲線對(duì)于5年生存預(yù)測(cè)風(fēng)險(xiǎn)評(píng)分的AUC值為0.741（下圖B），模型對(duì)直腸癌的預(yù)后效果很好。

5.方法總結(jié)

文章中使用的數(shù)據(jù)來(lái)源有兩個(gè)，一個(gè)是GEO當(dāng)中的直腸癌相關(guān)的芯片數(shù)據(jù)，第二個(gè)是TCGA數(shù)據(jù)庫(kù)當(dāng)中直腸癌的轉(zhuǎn)錄組測(cè)序數(shù)據(jù)。兩個(gè)數(shù)據(jù)集分別做差異分析，然后取交集得到最終的差異基因集，將這些差異基因提交到DAVID數(shù)據(jù)庫(kù)做差異基因的功能富集分析，發(fā)現(xiàn)差異基因所在通路或者功能與直腸癌相關(guān)。通過蛋白互作網(wǎng)絡(luò)分析找到hub基因，與直腸癌的診斷相關(guān)，最后通過Cox回歸分析找到與直腸癌預(yù)后相關(guān)的基因，并建立預(yù)后模型，并檢驗(yàn)該模型具有很好的預(yù)后準(zhǔn)確性。