公共數(shù)據(jù)庫(kù)挖掘呀！

眾所周知，TCGA和GEO是最著名的兩大公共數(shù)據(jù)庫(kù)，前者主要存儲(chǔ)高通量（二代測(cè)序）數(shù)據(jù)的腫瘤樣本數(shù)據(jù)，后者GEO數(shù)據(jù)庫(kù)全稱Gene Expression Omnibus database，是由美國(guó)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，論文中涉及到的基因表達(dá)檢測(cè)的數(shù)據(jù)幾乎都提交到了這個(gè)數(shù)據(jù)庫(kù)。

GEO除了二代測(cè)序數(shù)據(jù)，還包含芯片測(cè)序、單細(xì)胞測(cè)序數(shù)據(jù),樣本數(shù)據(jù)也不限于腫瘤。不同于TCGA的規(guī)整數(shù)據(jù)，GEO芯片數(shù)據(jù)由于芯片平臺(tái)（公司）不同，需要進(jìn)行ID轉(zhuǎn)換（芯片ID對(duì)應(yīng)基因）、數(shù)據(jù)標(biāo)準(zhǔn)化、去批次效應(yīng)后，才能進(jìn)行數(shù)據(jù)分析，這也是GEO數(shù)據(jù)挖掘的難點(diǎn)，很多科研萌新一看到眼花繚亂的數(shù)據(jù)，瞬間懵逼了。

不過好在，在今天的神站上，你只要“鼠標(biāo)點(diǎn)點(diǎn)點(diǎn)”就可以分析兩大數(shù)據(jù)庫(kù)的數(shù)據(jù)，獲得高清矢量圖，更重要的是全部提供原始數(shù)據(jù)和方法學(xué)寫作。

TCGA數(shù)據(jù)分析

平臺(tái)是由幾個(gè)臨床醫(yī)生聯(lián)合生信大拿一起搭建，界面極其簡(jiǎn)介，左側(cè)欄是TCGA上所有33種腫瘤類型，之后第二期會(huì)納入非腫瘤的疾病。頂部是各種分析模塊。首頁(yè)特別注明了，所有數(shù)據(jù)均由R v4.0.3分析完成, 意思就是說在平臺(tái)上分析的結(jié)果和拿R語(yǔ)言敲代碼分析的結(jié)果是完全一樣的，這就太爽了。

別看界面簡(jiǎn)單，該平臺(tái)功能極其強(qiáng)大，比如想分析下“某個(gè)基因在肺腺癌里EGFR突變和野生型病人中表達(dá)水平和預(yù)后差異”就輕而易舉。

平臺(tái)有極其強(qiáng)大的樣本篩選功能，可以對(duì)樣本進(jìn)行除了臨床信息，治療信息的進(jìn)一步篩選外，比如可以根據(jù)某一個(gè)基因是否突變篩選，某一個(gè)基因的表達(dá)量水平進(jìn)行篩選，比如近年來火熱的肺腺癌EGFR野生型伴PDL-1低表達(dá)相關(guān)研究，就完全沒問題了。這也是目前已知所有第三方網(wǎng)站無(wú)法實(shí)現(xiàn)的。

樣本篩選表

樣本篩選好后，就可以選擇需要的功能模塊進(jìn)一步分析啦。

單樣本分析，顧名思義就是針對(duì)某一個(gè)樣本的分析，里面的工具目前包括了臨床信息比較，批量生存分析，基因與生存，基因與TMB/MSI，?；鶊D，兩基因相關(guān)性。

而多樣本分析，就是針對(duì)某幾個(gè)樣本之間差異的比較，目前包括以下工具：

多組生存，基因表達(dá)比較，miRNA比較，突變比較，免疫評(píng)分，免疫檢查點(diǎn)，甚至鐵死亡，m6A。

在復(fù)雜分析里，集成了以下耳熟能詳?shù)姆治瞿K，比如亞組分型，基因突變景觀，差異基因分析，預(yù)后模型(列線圖)，預(yù)后模型(Signature)，泛癌分析。

然后，在思維導(dǎo)圖和視頻教程里，180師兄和911師兄講解了如何使用“十字研究法”，交叉運(yùn)用單樣本和多樣本工具，讓課題設(shè)計(jì)思如泉涌。

這些分析如果讓公司去做，估計(jì)要幾百上千甚至上萬(wàn)了，而這個(gè)平臺(tái)鼠標(biāo)點(diǎn)擊幾下，就可以生成所有的高清矢量圖，更重要的是還有對(duì)應(yīng)的原始數(shù)據(jù)下載，這個(gè)相當(dāng)重要。

不僅如此，平臺(tái)還針對(duì)每一個(gè)分析結(jié)果，給出了對(duì)應(yīng)圖例，方法學(xué)，結(jié)果的中英文對(duì)照，和參考文獻(xiàn)，這個(gè)對(duì)我們寫文章也很重要。

從課題設(shè)計(jì)，工具使用，再到零代碼，一鍵分析，原始數(shù)據(jù)下載，再到論文寫作，不得不說，這個(gè)由一群醫(yī)生創(chuàng)建的生信平臺(tái)，實(shí)在是太懂廣大科研g(shù)ou了。

中文版GEO數(shù)據(jù)庫(kù)

相比TCGA主要存儲(chǔ)高通量（二代測(cè)序）數(shù)據(jù)的腫瘤樣本數(shù)據(jù)，GEO數(shù)據(jù)庫(kù)全稱Gene Expression Omnibus database，是由美國(guó)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，論文中涉及到的基因表達(dá)檢測(cè)的數(shù)據(jù)幾乎都提交到了這個(gè)數(shù)據(jù)庫(kù)。

GEO除了二代測(cè)序數(shù)據(jù)，還包含芯片測(cè)序、單細(xì)胞測(cè)序數(shù)據(jù),樣本數(shù)據(jù)也不限于腫瘤。不同于TCGA的規(guī)整數(shù)據(jù)，GEO芯片數(shù)據(jù)由于芯片平臺(tái)（公司）不同，需要進(jìn)行ID轉(zhuǎn)換（芯片ID對(duì)應(yīng)基因）、數(shù)據(jù)標(biāo)準(zhǔn)化、去批次效應(yīng)后，才能進(jìn)行數(shù)據(jù)分析，這也是GEO數(shù)據(jù)挖掘的難點(diǎn)，很多科研萌新一看到眼花繚亂的數(shù)據(jù)，瞬間懵逼了。

臨床生信之家的GEO分析工具，從小編的體驗(yàn)看，有以下特點(diǎn)：

1.所有數(shù)據(jù)都來之GEO，以上提到的難弄的數(shù)據(jù)預(yù)處理過程均自動(dòng)完成。

2.臨床生信之家一貫的：無(wú)需代碼基礎(chǔ)，鼠標(biāo)點(diǎn)點(diǎn)點(diǎn)即可完成ID轉(zhuǎn)換，數(shù)據(jù)標(biāo)準(zhǔn)化，去批次，高清出圖，原始數(shù)據(jù)下載一氣呵成！

3.數(shù)據(jù)集介紹全部實(shí)行中英文對(duì)照。

這樣的“中文版GEO數(shù)據(jù)庫(kù)”你愛不愛呢？！

首先選擇GEO分析模塊，選擇數(shù)據(jù)集篩選，搜索框中直接輸入心血管方向的 “高血壓”。

右邊可以選擇是匹配標(biāo)題還是摘要還是實(shí)驗(yàn)設(shè)計(jì)類型，此處我們選擇標(biāo)題。

臨床生信之家官網(wǎng)

點(diǎn)擊檢索后，就出來匹配到的數(shù)據(jù)集，根據(jù)匹配程度排序，沒接觸過geo數(shù)據(jù)庫(kù)的同學(xué)可能有點(diǎn)懵，這里稍微解釋下，1.數(shù)據(jù)集：在Geo數(shù)據(jù)庫(kù)中代表一個(gè)實(shí)驗(yàn)項(xiàng)目（就是某個(gè)作者上傳的集合），包括所有樣本信息，GSE是數(shù)據(jù)集的編號(hào)開頭。 2.芯片平臺(tái)：不同芯片公司使用不同芯片平臺(tái)，不同芯片以GPL字母開頭，不同芯片平臺(tái)包含不同的探針和基因ID對(duì)應(yīng)關(guān)系，所以芯片數(shù)據(jù)預(yù)處理時(shí)，需要將探針I(yè)D轉(zhuǎn)換為對(duì)應(yīng)的基因，稱為“探針I(yè)D轉(zhuǎn)換”。3.樣本，這里直接給出某個(gè)數(shù)據(jù)集的樣本量。

然后點(diǎn)開數(shù)據(jù)集邊上的小三角，就展開這個(gè)數(shù)據(jù)集的詳細(xì)介紹，包括標(biāo)題，五中，實(shí)驗(yàn)類型，概要，實(shí)驗(yàn)設(shè)計(jì)，參考文獻(xiàn)，這些信息都是和geo數(shù)據(jù)庫(kù)一對(duì)一對(duì)應(yīng)的，同時(shí)給了中文翻譯，默認(rèn)是灰色，鼠標(biāo)放上去就會(huì)變黑。

比如GSM24752這個(gè)數(shù)據(jù)集，通過瀏覽，很容易知道這個(gè)實(shí)驗(yàn)是人原發(fā)性高血壓患者外周血細(xì)胞差異基因表達(dá)的微陣列分析，對(duì)比的是高血壓患者和正常血壓作為對(duì)照組，如果想更詳細(xì)了解這個(gè)實(shí)驗(yàn)，可以直接點(diǎn)擊citation里的對(duì)應(yīng)文獻(xiàn)查看。

右邊看到這個(gè)數(shù)據(jù)集一共6個(gè)樣本，然后點(diǎn)開樣本邊上的三角，就顯示出各個(gè)樣本啦。

從樣本的名字source name可以看出，前三個(gè)HTN是高血壓組，后三個(gè)樣本是NC對(duì)照組。

接下里就是分組樣本了，直接鼠標(biāo)單擊，多個(gè)樣本就用excle里經(jīng)常操作的shift+單擊，樣本變藍(lán)，就是選中了。

然后就是輸入分組的名字，比如高血壓組，點(diǎn)擊收錄，就創(chuàng)建了樣本分組，同理設(shè)定了正常血壓組。此時(shí)會(huì)發(fā)現(xiàn)探針的ID轉(zhuǎn)換就開始自動(dòng)處理了。樣本左邊的group已經(jīng)顯示設(shè)置的樣本名。

這樣可以選擇多個(gè)數(shù)據(jù)集，進(jìn)行多個(gè)樣本分組的設(shè)定，所有選擇的數(shù)據(jù)集和樣本分組都會(huì)在檢索區(qū)的底部過渡區(qū)，此時(shí)可以設(shè)置項(xiàng)目名，點(diǎn)擊收錄到位的樣本庫(kù)。就會(huì)到主頁(yè)的左邊欄了。

設(shè)置好樣本之后，就可以開始對(duì)geo的芯片數(shù)據(jù)進(jìn)行各種分析啦，比如以下這個(gè)差異基因，樣本一選擇高血壓組，樣本二組選擇對(duì)照組，此時(shí)，數(shù)據(jù)標(biāo)準(zhǔn)化，去批次效應(yīng)會(huì)自動(dòng)完成，然后點(diǎn)擊plot，差異基因分析完畢。

圖片是高清矢量圖，包含了標(biāo)準(zhǔn)化后的圖和去批次效應(yīng)的結(jié)果圖，這2個(gè)圖發(fā)文章的時(shí)候可以放在補(bǔ)充材料，說明你做過了。然后就是差異基因經(jīng)典的火山圖，熱圖和kegg通路富集和go功能富集啦。

其他分析模塊此處就略了，和TCGA數(shù)據(jù)庫(kù)的分析一樣一樣的。也同樣有高清矢量圖，原始數(shù)據(jù)下載，對(duì)應(yīng)圖例，方法學(xué)，結(jié)果的中英文對(duì)照，和參考文獻(xiàn)。