1、geo資料庫介紹
geo全稱gene expression omnibus，由美國國立生物技術資訊中心ncbi建立並維護的基因表達資料庫。建立於2023年，收錄世界各國研究機構提交的高通量基因表達資料。
geo上有四類資料gsm, gse, gds, gpl
1.gsm是單個樣本的實驗資料
2.gds是人工整理好的關於某個話題的gsm的集合，乙個gds中的gsm的平台是一樣的
3.gse是乙個實驗專案中的多個晶元實驗，可能使用多個平台
4.gpl是晶元的平台，如affymetrix， aglent等
4、合併表達矩陣
就是在gpl中找出基因列和id列。融合到gse中，替換掉原來的探針列。**如下：
setwd("d:/one/bio/geo_database")
> sys.setlocale('lc_all','c')
> #讀取gpl檔案
> gpl_table = read.table('d:/one/bio/geo_database/gpl21185-21174.txt',sep = "\t",
+ comment.char = "#", stringsasfactors = f,
+ header = t, fill = true, quote = "")
> #讀取gse檔案
> gse4100
+ comment.char = "!", stringsasfactors = f,header = t, fill=true)#43931
>
> #表達矩陣製作
> id_sybmol = gpl_table[,c(1,11)] #gpl對應id列
> colnames(id_sybmol)[2]="symbol" #更改名稱為symbol，主要是為了對其求平均函式
>
> #合併id與基因列
> exp = merge(id_sybmol,gse4100,by.x = "id",by.y = "id_ref",all=t) #45782個
> exp = exp[,-1]
> view(exp)
5、資料整理
將這四個檔案開啟就會發現，很多基因是重複的，而且有些是一對多的探針。
a.所謂一對多，就是乙個探針檔案對應n個基因，這種探針直接去除。
b.當存在基因重複，求平均的方式去除過多的行。
c.空值等，都會去除。
d.資料歸一化，目的是為了後去的去批次差異
> #資料過濾
> exp = exp[exp$symbol != "",] #45782
> exp = na.omit(exp) #45782
>
> #去除
> exp1 = data.frame(exp[-grep("/",exp$"symbol"),]) #去一對多，grep是包含的意思，-就是不包含
>
> #求平均值
> meanfun
+ return(x1)
+ }> exp2
> # 檢視資料
> par(cex = 0.7)
> n.sample=ncol(exp2[,-1])
> if(n.sample>40) par(cex = 0.5)
> cols
> boxplot(exp2[,-1], col = cols,main="expression value",las=2)
>
> write.table(exp2,"exp_original.txt",row.names = f,quote = f,sep="\t")
>
> row.names(exp2) = exp2[,1]
> exp2 = log(exp2[,-1])
>
> par(cex = 0.7)
> n.sample=ncol(exp2)
> if(n.sample>40) par(cex = 0.5)
> cols
> boxplot(exp2, col = cols,main="expression value",las=2)
>
> symbol = row.names(exp2)
> exp_test = cbind(symbol,exp2)
>
> write.table(exp_test,"exp.txt",row.names = f,quote = f,sep="\t")
表達矩陣就完成了，一共58212個。
GEO資料探勘（2） GEO資料庫
geo全稱 gene expression omnibus geo資料庫起先只是為表達晶元資料準備的，後期納入了各種ngs組學資料，文章裡面會給出資料位址，gse id號，由此我們就可以進入geo資料庫，進而了解它！如gse84498 一篇文章可以有乙個或者多個gse資料集，乙個gse裡面可以有乙個...
基因表達分析 距離矩陣
1 對許多基因而言，在乙個功能家族中，基因的序列相似性是很弱的，人們不能僅僅依靠序列來可靠判斷這個新測序的基因的功能。2 表達矩陣的元素ii,j表示基因i在實驗條件j時的表達水平。整個表達矩陣的第i行稱為基因i的表達模式。可在表達矩陣中尋找具有相似表達模式的成對基因，將這些基因標記為2個相似行。如果...
資料探勘比賽，構建矩陣時的腦殘行為
scipy.sparse.hstack blocks,format none,dtype none source stack sparse matrices horizontally column wise parameters blockssequence of sparse matrices w...