R08-GEO数据库挖掘

数据来源

可挖掘的数据库类型

基因表达芯片；

转录组；

单细胞；

突变、甲基化、拷贝数变异...

如何筛选基因

一、图表介绍

1.热图

输入数据是数值型矩阵/数据框

颜色变化代表数据大小

差异基因热图

2.散点图和箱线图

散点图

箱线图：输入数据是一个连续型向量和一个有重复值的离散型向量

箱线图

3.火山图

FC（Foldchange）：处理组平均值/对照组平均值（除以）

log2Foldchange（logFC）：Foldchange取log2

转录组和单细胞数据分析不需要取log

取过log的计算方式

logFC范围的意义、结合p值为显著与否

P.Value

4.主成分分析

适合组间比较的查看

PCA样本聚类图

主成分分析，旨在利用降维的思维，把多指标转化为少数几个综合指标（即主成分）。

根据这些主成分对样本进行聚类，代表样本的点在坐标轴上距离越远，说明样本差异越大。

二、GEO背景知识+表达芯片分析思路

1.表达数据实验设计

2.数据库介绍

NCBI-GEO数据库

可做差异分析

基因表达芯片的原理——探针的表达量代表基因的表达量

探针的表达量代表基因的表达量

分析思路

3.表达矩阵

三、代码分析流程

芯片差异分析所需的输入数据

代码分析流程

如何查找数据

1.提取表达矩阵

上面取log+1是为了避免临值（不+1也可以使用）

表达芯片数据（array)

检查表达矩阵是否正常

检查表达矩阵是否正常

处理异常样本（第二种方法能拉平所有样本）

关于表达矩阵里的负值

2.提取临床信息

3.让exp列名与pd的行名顺序完全一致

#intersect是取交集函数

表达矩阵与临床信息表格顺序完全一致

4.提取平台编号（GPL）

annotation用@还是$提取可以自行查看

annotation用@还是$提取可以自行查看