在上一期的推文 GEO数据库挖掘(1)--SCI文章速成 ,我们讲解了关于GEO数据库的背景知识,想必大家也了解了GEO是一个非常实用和权威的基因表达谱数据库。那么如何检索自己想要的数据呢?
GEO中的数据千千万万条,能够准确筛选出符合我们研究方向的数据至关重要,是整个数据挖掘工作的核心和基础。如果没有合适的数据,后续的所有分析都是纸上谈兵。那么今天就带领大家来进行实战演练,学习一下如何从GEO中找到我们想要的数据。为了让演练更加贴近实际,我们先设定一个问题,然后逐步带领大家进行操作。
研究课题:比较肝癌及正常肝组织的表达谱差异
实战操作
1
Step1:查找
打开GEO官方网页,在搜索框中输入“Hepatocellular carcinoma”,并点击Search(红框所示),结果如下图所示,出现了一个下拉菜单,一个是“results in GEO DataSets”,另一个是“results in GEO Profiles”,我们选择上面一个(绿框所示)。
2
Step2:过滤
点击上面的检索结果后,然后我们会进入到GEO DataSets的结果页面,如下图所示。在这里面有3万多个条目匹配到我们输入的关键词“Hepatocellular carcinoma”,但是这么多条目我不可能一个个看过来啊,该怎么办呢?
我们注意到,在结果页面中的左边栏和右边栏有可供筛选的筛选条件。这些筛选条件可以帮我们快速过滤掉无用信息,并准确地指向我们需要的数据集。那么有哪些是我们常用的筛选条件呢?
选定好筛选条件之后,可以发现,原先的结果从3万多条变成了240条,这里面基本就是我们想要的结果了。那么问题又来了,在这240个里面,怎么知道到底哪个才是我最终需要的呢?或者我们在写文章的时候如何选定最为重要的数据集呢?最好的办法只有:点击详情,逐个查看。
可能有人会觉得这个方法太笨。其实不然。因为我们做的是数据挖掘的文章,这里面的“数据”就是我们的研究对象,如果不能选定足够大的样本量,我们在分析数据的过程中就会漏掉一些重要的信息,或者editor直接就会觉得你的文章意义不大。那为了避免漏掉数据集的情况发生,当数据检索进行到这一步的时候,后续我一般都会逐个去查看每个数据集的详情,并判断是否符合我的研究目的。
3
Step3:挑选
点击打开每个data series的详情,我们以检索条目中的第5条为例(因为这个数据集的数据较多,共有198个样本),如下图所示,点击进入到该研究的详细介绍页面。
在详情页面中,有几个需要我们注意的地方:
此外,还有一个需要我们知道的就是一个分析工具—GEO2R,这个工具是GEO官方开发的使用R语言来进行差异表达分析的工具,十分好用,通过GEO2R可以快速便捷地筛选出我们想要的差异表达基因。
当然仅仅进行差异表达分析,发文章是远远不够的,后面的文章,我们会继续给大家讲解GEO2R的使用以及我们自行开发的一整套GEO数据挖掘自动化工具,卖个关子,敬请期待哟~
本期重点回顾(Take home message):
如何在GEO中检索并筛选目标数据集,以及数据集中需要注意的关键信息。