了解數(shù)據(jù)挖掘

• 公共數(shù)據(jù)庫：（數(shù)據(jù)來源）
• GEO和TCGA
• 國際三大數(shù)據(jù)中心：NCBI, ENSEMBL, UCSC
• 數(shù)據(jù)挖掘的概念
• 從大的數(shù)據(jù)背景中通過各種統(tǒng)計學(xué)方法得到數(shù)量大小合適的基因集找到的感興趣的基因集
• 通過各種統(tǒng)計學(xué)方法來注釋并解釋這個基因集的意義

實戰(zhàn)：

對文獻解讀的第三篇文章==Identification of Key Genes and Pathways in Triple-Negative Breast Cancer by Integrated Bioinformatics Analysis== 的分析過程進行重復(fù)

• 第一步：下載數(shù)據(jù)集

  GEO數(shù)據(jù)庫基本介紹：

  一篇文章可以有一個或者多個GSE數(shù)據(jù)集，一個GSE里面可以有一個或者多個 GSM樣本 ,多個研究的GSM樣本介意根據(jù)研究目的整合為一個 GDS , 不過GDS本身用得很少，而且每個數(shù)據(jù)集都有自己對應(yīng)的芯片平臺，就是GPL

  GEO Platform：GPL

  GEO Sample: GSM

  GEO Series: GSE

  GEO Dataset: GDS

  GEO數(shù)據(jù)庫，根據(jù)數(shù)據(jù)存放的標(biāo)簽GSE號進行查詢

  

  進如GEO數(shù)據(jù)庫

  

  點擊目標(biāo)查詢進入目標(biāo)數(shù)據(jù)集網(wǎng)頁

  

  

  

  表達矩陣下載的方式：

  

  

3. 使用GEOqueryR 程序包從GEO數(shù)據(jù)庫下載

   ==Note==:使用下面的代碼下載的文件都會保存到本地，destdir參數(shù)指定數(shù)據(jù)存放的位置。此外，比較重要的三個參數(shù)為GSEMatrix=TRUE,AnnotGPL=FALSE, getGPL=TRUE

   #加載程序包
library(GEOquery)

#根據(jù)GDS下載soft文件
gds <- getGEO('GD858', destdir='.')

#根據(jù)GPL號下載芯片設(shè)計信息
gpl96 <- getGEO("GPL96", destdir=".")

#根據(jù)GSE號下載series_matrix.txt.gz
gse1009 <- getGEO("GSE1009",dstdir=".")

2. 下載原始芯片表達數(shù)據(jù)（CEL）
1. 直接下載matrix文件，點擊'Series Matrix File(s)’進入到矩陣存放位置，直接點擊下載

• 第二步：開始分析

1. 新建一個R.project GSE76275.Rproj

2. 在新的project下分別創(chuàng)建每個流程的分析

3. 總共分step0-step5

   step0-install.R : 安裝需要用到的程序包

   Notes: R版本高于3.5 使用BiocManager， 低于3.5用BiocInsraller

   rm(list = ls()) 
#清空當(dāng)前工作空間變量  
options()$repos  
#查看當(dāng)前工作空間默認(rèn)的下載包路徑
options()$BioC_mirror 
#查看使用BioCManager下載包的默認(rèn)路徑
options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/") 
# 指定使用BioCManager下載的路徑
options("repos" = c(CRAN="https://mirrors.tuna./CRAN/")) 
# 指定使用install.packages下載包的路徑
options()$repos 
options()$BioC_mirror


# https:///packages/release/bioc/html/GEOquery.html
if (!requireNamespace("BiocManager", quietly = TRUE))
  install.packages("BiocManager") 
#判斷是否存在BiocManger包，沒有的話下載該包 
#判斷是否存在這些包，不存在的話安裝這些包
if(!require("KEGG.db")) BiocManager::install("KEGG.db",ask = F,update = F)
if(!require("GSEABase")) BiocManager::install("GSEABase",ask = F,update = F)
if(!require("GSVA")) BiocManager::install("GSVA",ask = F,update = F)
if(!require("clusterProfiler")) BiocManager::install("clusterProfiler",ask = F,update = F)
if(!require("GEOquery")) BiocManager::install("GEOquery",ask = F,update = F)
if(!require("limma")) BiocManager::install("limma",ask = F,update = F)
if(!require("impute")) BiocManager::install("impute",ask = F,update = F)
if(!require("genefu")) BiocManager::install("genefu",ask = F,update = F)
if(!require("org.Hs.eg.db")) BiocManager::install("org.Hs.eg.db",ask = F,update = F)
if(!require("hgu133plus2.db")) BiocManager::install("hgu133plus2.db",ask = F,update = F)
if(!require("ConsensusClusterPlus")) BiocManager::install("ConsensusClusterPlus",ask = F,update = F)


   step1-download.R: 下載所需要的數(shù)據(jù)

   ##1.獲取GEO數(shù)據(jù)
library(GEOquery)
f = "SE76275_eSet.Rdata" #如果文件不存在則進行下載
if(!
   file.exist(f)){ 
    gset <- getGEO("GSE76275", destdir=".", 
               AnnotGPL=T, #注釋文件，可下可不下
               getGPL = T) #注釋平臺，可下可不下，可以改為F
    save(gset,file="GSE76275_eSet.Rdata") #保存到本地
     }
load("GSE76275_eSet.Rdata") #載入數(shù)據(jù)


   簡單對下載的數(shù)據(jù)進行了解：

   ExpressionSet數(shù)據(jù)形式的組成：

   assayData

   phenoData

   featureData

   experimentData

   protocalData

   class(gset) #list類型
length(gset) #查看長度，只有一個元素
class(gset[[1]]) #取出第一個元素，并查看類型為"ExpressionSet"
?ExpressionSet #查看這個數(shù)據(jù)類型，getGEO函數(shù)的目的就是下載數(shù)據(jù)，而下載的數(shù)據(jù)最終以ExpressionSet的形式存在

a<-gset[[1]] #取出該列表的第一個元素并賦值
a@experimentData #訪問不同的數(shù)據(jù)集
a@assayData

methods(class='ExpressionSet') #可用于查看該對象的操作函數(shù)
dat=exprs(a) #取出對象a中的表達矩陣
dim(dat) #檢查維度，54675個探針，265個病人
dat[1:4,1:4] #查看前四行前四列


   了解實驗設(shè)計：

   pd <- pData(a) #取出
pd$characteristics_ch1.1 #取出分組信息
ifelse(X==1,'X等于1'，'X不等于1') #首先判斷X是否等于1，如果X等于1，返回'X等于1'的值，否則返回'X不等于1'的值

group_list<-ifelse(pd$characteristics_ch1.1=='triple-negative status: not TN','noTNBC','TNBC') #獲得分組信息

save(dat,group_list, file='step1-output.RData')


   ==總結(jié)==：第一步結(jié)束之后，我們得到了連個數(shù)：256個樣本在5萬個探針上的表達量，256個樣本的分組信息，此處的特征為是否是三陰性乳腺啊

   step2-check.R: 檢查程序包以及數(shù)據(jù)

   (1) 檢查PCA分組情況

   rm(list=ls()) #清空之前的一些值，避免混淆
## 學(xué)習(xí)PCA包的示例
install.packages(c('FactoMineR','factoextra'))
library(FactoMineR)
library(factoextra)
head(dat)
dat <- t(dat)  #交換行和列的位置
dat <- as.data.frame(dat)
dat <- cbind(dat,group_list)
#在進行PCA分析之前，變量group_list(index=54676)被移除
dat.pca <- PCA(dat[,-54676],graph = FALSE)
fviz_pca_ind(dat.pca,
             geom.ind = "point",#僅僅展示點
             col.ind=dat$group_list, #通過組群來進行染色
             polette = c("red","green"), #調(diào)色盤，幾個組就設(shè)置幾個顏色
             addEllipses = TRUE, #以橢圓方式集中
             legend.title="Group")




   

   (2)檢查熱圖,選取其中的一小部分基因繪制熱圖

   ##繪制熱圖
rm(list=ls())
load(file='step1-output.RData')
dat[1:4,1:4]
#為了更好的用熱圖體現(xiàn)基因的表達，需要挑選表達差異比較大的基因
#apply函數(shù)介紹
apply(mat,1,mean) #對矩陣mat的每一行求均值，第二個參數(shù)為1對行進行操作，為2則對列進行操作
apply(dat,1,sd)
system.time(apply(dat, 1, sd))

cg <- names(tail(sort(apply(dat,1,sd)),1000)) #挑選sd值比較大的基因
library(pheatmap)
n <- t(scale(t(dat[cg,])))
n[n>2]=2
n[n<-2]=-2
pheatmap(n, show_rownames = F,show_colnames = F) #scale,對樣本進行均一化
ac <-data.frame(g=group_list) #添加分組信息
rownames(ac) = colnames(n)
pheatmap(n, show_rownames = F,show_colnames = F, annotation_col = ac)



   

   后面將詳細(xì)介紹以下三個分析

   step3-DEG.R: 表達差異性分析

   step4-Annotation.R: 找出差異基因之后，看下這些差異基因?qū)儆谀男┩?/p>

   step5-wgcna.R

• 這個課程超級棒，B站免費學(xué)習(xí)咯：https://m.bilibili.com/video/BV1dy4y1C7jz
• 配套代碼在GitHub哈：https://github.com/jmzeng1314/GSE76275-TNBC
• TCGA數(shù)據(jù)庫挖掘，代碼在：https://github.com/jmzeng1314/TCGA_BRCA
• GTEx數(shù)據(jù)庫挖掘，代碼在：https://github.com/jmzeng1314/gtex_BRCA
• METABRIC數(shù)據(jù)庫挖掘，代碼在：https://github.com/jmzeng1314/METABRIC

然后馬上就有了3千多學(xué)習(xí)量，而且有學(xué)員給出來了圖文并茂版本萬字筆記，讓我非常感動！

掃描下面二維碼馬上就可以學(xué)習(xí)起來啦，筆記需要至少半個小時來閱讀哦！