100个GEO基因表达芯片或转录组数据处理之GSE27342（007）

写在前边

虽然现在是高通量测序的时代，但是GEO、ArrayExpress等数据库储存并公开大量的基因表达芯片数据，还是会有大量的需求去处理芯片数据，并且建模或验证自己所研究基因的表达情况，芯片数据的处理也可能是大部分刚学生信的道友入门R语言数据处理的第一次实战，因此准备更新100个基因表达芯片或转录组高通量数据的处理。

数据信息检索

可以看到GSE27342是基因表达芯片数据，因此可以使用GEOquery包下载数据

使用GEOquery包下载数据

using(tidyverse, GEOquery, magrittr, data.table, AnnoProbe, clusterProfiler, org.Hs.eg.db, org.Mm.eg.db)

注：using是我写的函数，作用是一次性加载多个R包，不用写双引号，并且不在屏幕上打印包的加载信息，可以参考之前的推文《如何优雅地管理R包》using的定义；函数名字using是在模仿Julia语言中的包加载函数

因为文件太大，在R内下载失败，可通过图片中的方法下载文件，并且把下载后的文件放在destdir = "./"即当前工作目录，GEOquery::getGEO便能跳过下载，直接使用本地的文件。

geo_accession <- "GSE27342"
gset <- GEOquery::getGEO(geo_accession, destdir = "./", AnnotGPL = F, getGPL = F)
eSet <- gset[[1]]
gpl <- eSet@annotation

处理表型数据

这部分是很关键的，可以筛选一下分组表型信息，只保留自己需要的样本，在这里只保留tissue:ch1中 normal gastric tissue和gastric cancer tissue的样本，作为后续分析的样本（根据自己的研究目的筛选符合要求的样本）

pdata <- pData(eSet)

geo_accession	age:ch1	gender:ch1	grade:ch1	Stage:ch1	tissue:ch1
GSM675890	41	F	unknown	IV	normal gastric tissue
GSM675891	41	F	unknown	IV	gastric cancer tissue
GSM675892	62	F	unknown	III	normal gastric tissue
GSM675893	62	F	unknown	III	gastric cancer tissue
GSM675894	54	F	G2	III	normal gastric tissue
GSM675895	54	F	G2	III	gastric cancer tissue

pdata %<>%
    dplyr::mutate(
        Sample = geo_accession,
        Group = dplyr::case_when(
        stringr::str_detect(`tissue:ch1`, "normal") ~ "Control", 
        stringr::str_detect(`tissue:ch1`, "cancer") ~ "Cancer", 
        TRUE ~ NA)
    ) %>%
    dplyr::filter(!is.na(Group)) %>%
    dplyr::rename(Age=`age:ch1`,Gender=`gender:ch1`,Grade=`grade:ch1`,Stage=`Stage:ch1`) %>% 
    dplyr::select(Sample, Group, Gender, Grade, Stage)

处理表达谱数据

数据大小大于50需要取log

exprs_mtx <- exprs(eSet)
range(exprs_mtx, na.rm = TRUE)
# 5e-05 1957353.939
exprs_mtx <- log2(exprs_mtx+1)
probe_exprs <- as.data.table(exprs_mtx, keep.rownames = "ProbeID")

探针与基因Symbol对应关系

下载GPL18990注释信息https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GPL5175，需要ID和Gene Symbol列

从GEO网站的平台注释文件中获取探针与GeneID对应关系

idmaps2 <- function(ann_file, ProbeID = "ID", GeneID = "gene_assignment", skip = 12, pattern = "control") {
    temp <- fread(ann_file, skip = skip, nThread = 8)
    vars <- c(ProbeID, GeneID)
    temp <- temp[, ..vars]
    data.table::setnames(temp, c("ProbeID", "GeneID"))
    genes <- stringr::str_split(temp$GeneID," // ",simplify = TRUE)[,2]
    temp %<>% dplyr::mutate(GeneID=stringr::str_split(string=GeneID,pattern = " // ",simplify = TRUE)[,2] %>% 
        stringr::str_remove_all(" ")) %>% 
        data.table::as.data.table()
    temp <- temp[!is.null(GeneID), ][!is.na(GeneID), ][GeneID != "", ][GeneID != "---", ][!stringr::str_detect(string = GeneID, pattern = pattern), ]
    return(as.data.frame(temp))
}

probe2symbol <- idmaps2("GPL5175-3188.txt", GeneID = "gene_assignment", skip = 12)

ID转换

把表达矩阵中的探针名转换为基因名；transid是我写的一个R函数，有需要可以联系我的公众号@恩喜玛生物，加入交流群

fdata <- transid(probe2symbol, probe_exprs)

保存数据

common_samples <- base::intersect(colnames(fdata),pdata$Sample)
fdata %<>% select(all_of(c("GeneID",common_samples)))
fwrite(fdata, file = stringr::str_glue("{geo_accession}_{gpl}_fdata.csv.gz"))
pdata %<>% dplyr::filter(Sample %in% common_samples)
fwrite(pdata, file = stringr::str_glue("{geo_accession}_{gpl}_pdata.csv"))