getGEO 函数

Posted 2023-01-12 MrCharles

GEOquery（library(GEOquery) ） 里面的getGEO 是一个很重要的函数。

功能：从GEO数据库下载数据。

返回值：GDS/GSE/GSM/GPL。取决于GEO参数。

Gene Expression Omnibus database(GEO)是由NCBI负责维护的一个数据库，设计初衷是为了收集整理各种表达芯片，但是后来也加入了甲基化芯片，甚至高通量测序数据！
GEO数据库包含下面四种信息

• GEO Platform （GPL）芯片平台
• GEO Sample （GSM）样本ID号
• GEO Series （GSE） study的ID号
• GEO Dataset（GDS） 数据集的ID号

getGEO(GEO = NULL, filename = NULL, destdir = tempdir(),
GSElimits = NULL, GSEMatrix = TRUE, AnnotGPL = FALSE, getGPL = TRUE,
parseCharacteristics = TRUE)

GEO 决定下载的数据种类。GDS,GSE,GSM,GPL
filename 如果已经下载好了文件，直接读取
destir 读取文件所在的位置，或是下载的位置。默认为工作目录。
GSEMatrix 若为TRUE，则下载Matrix文件；若为FALSE，则下载SOFT文件。默认为TRUE。
getGPL 若为TRUE，则下载GPL注释文件；若为FALSE，则不下载。默认为TRUE

处理GSE返回对象的函数有：geneNames/sampleNames/pData/exprs

ExpressionSet对象讲解

这个对象其实是对表达矩阵加上样本信息的一个封装，由biobase这个包引入。它是eSet这个对象的继承。这个对象其实很简单，就是表达矩阵加上样本分组信息的一个封装。

在Biobase基础包中，ExpressionSet是非常重要的类，因为Bioconductor设计之初是为了对基因芯片数据进行分析，而ExpressionSet正是Bioconductor为基因表达数据格式所定制的标准。它是所有涉及基因表达量相关数据在Bioconductor中进行操作的基础数据类型，比如affyPLM，affy，oligo，limma，arrayMagic等等。

ExpressionSet 的组成：

• assayData: 一个matrix类型或者environment类型数据。用于保存表达数据值。当它是一个matrix时，它的行表示不同的探针组（probe sets）（也是features，总之是一个无重复的索引值）的值，它的列表示不同的样品。如果有行号或者列号的话，那么行号必须与featureData及phenoData中的行号一致，列号就是样品名。当我们使用exprs()方法时，就是调取的这个assayData的matrix。当它是一个enviroment时，它必须有两个变量，一个就是与上一段描述一致的matrix，另一个就是epxrs，而这个exprs会响应exprs()方法，返回表达值。

• 头文件：用于描述实验平台相关的数据，其中包括phenoData, featureData，protocolData以及annotation等等。其中phenoData是一个存放样品信息的data.frame或者AnnotatedDataFrame类型的数据。如果有行号的话，其行号必须与assayData的列号一致（也就是样品名）。如果没有行号，则其行数必须与assayData的列数一致。featureData是一个存放features的data.frame或者AnnotatedDataFrame类型的数据。它的行数必须与assayData的行数一致。如果有行号的话，那么它的行号必须和assayData的行号一致。annotation是用于存放芯片类型的字符串，比如hgu95av2之类。protocolData用于存放设备相当的数据。它是AnnotatedDataFrame类型。它的维度必须与assayData的维度一致。

• experimentData: 一个MIAME类型的数据，它用于保存和实验设计相关的资料，比如实验室名，发表的文章，等等。那么什么是MIAME类呢？MIAME是Minimum Information About a Microarray Experiment的首字母缩写，它包括以下一些属性（slots）：
  name：字符串，实验名称；
  lab：字符串，实验室名称；
  contact：字符串，联系方式；
  title：字符串，一句话描述实验的内容；
  abstract：字符串，实验摘要；
  url：字符串，实验相关的网址；
  samples：list类，样品的信息；
  hybridizations： list类，样品的信息；
  normControls：list类，对照信息，比如一些持家基因（house keeping genes）
  preprocessing：list类，原始数据预处理过程；
  pubMedlds：字符串，pubMed索引号；
  others：list类，其他相关信息。
  ExpressionSet继承了eSet类，属性基本和eSet保持一致。

那么，对于一个ExpressionSet，哪些属性是必须的？哪些有可能缺失呢？很显然，assayData是必须的，其它的可能会缺失，但是不能都缺失，因为那样的话就无法完成数据分析的工作。

重点是“exprs”函数提取表达矩阵，“pData”函数看对象的样本分组信息。