使用GEOquery下载GEO数据--转载

Posted 2020-09-28 nkwy2012

最近需要下载一大批GEO上的数据，问题是我要下载的Methylation数据根本就没有sra文件，换言之不能使用Aspera之类的数据进行下载。但是后来我发现了GEOquery这个不错的R包，不知道是网络问题还是怎么，GEOquery有时候运行也不太稳定，但是总体来说，很好地解决了我的问题。

首先假设我们想要下载的数据是GSE77445，这是一批DNA甲基化数据，我们可以在R语言中安装GEOquery之后，载入R包，然后直接输入：

Data <- getGEO("GSE77445",destdir="./")

• 1

我也没有太多研究，但是上述代码中，前一个参数就是你想要下载的GSE编号，后一个参数不能省略，是你指定的文件下载保存的路径。GEOquery其实也就是自动把文件下载下来，然后进行载入分析而已。

在命令输入之后，会自动开始下载一些Seriers数据（比如GSE77445_series_matrix.txt.gz），我也不知道为什么为什么它会自动下载这个文件。然后理论上程序会自动进行处理。整个过程非常漫长，估计要将近一个小时的样子，这还只是一个300M不到的小数据集。

然后如果顺利的话，你这一行命令可以顺利跑完，你会得到处理好的Data，但是这个数据还是一个S4结构体，并不是我们想要的矩阵研究形式。所以你可以用下面的代码获得相应的矩阵和样本数据：

myMatrix <- [email protected][email protected]$exprs
myPDfile <- pData(phenoData([email protected]_series_matrix.txt.gz))

另外在一些时候，文件下载完以后，就会出现错误，但是在那种时候，文件其实已经被下载到了你指定的目录下了，如果是那样的话，你可以重新载入这个已经下载好的文件：

Data <- getGEO(filename="./GSE77445_series_matrix.txt.gz")

• 1

这一次就不需要加入目录参数，然后又需要过好久好久，程序一般就不会失败了，在处理完以后，用 下面两行代码获取矩阵数据和样本数据：

myMatrix <- [email protected]$exprs
myPDfile <- pData(phenoData(Data))

• 1
• 2

---

经过我的测试，我用上述办法下载了十多套DNA甲基化数据，基本上还是很可靠的。但是有时候下载的series_matrix数据其实不能用，例如GSE77716这一套就不能用，这种就没有办法了，我唯一会的办法，就是从网站上去下载其他原格式数据，例如作者上传上去的Matrix或者Raw IDAT数据。

不过所谓不能用更多情况下是因为数据内不包含矩阵数据，一般来说都会包含有样本的数据，我下载的所有系列数据不一定都成功了，但是样本数据都有。如果你实在没有办法整理出起样本数据，这也不失为一个办法……

 

不得不吐槽一句，GEO我也是看的醉了……数据格式每一套都不一样，更要命的是有些数据下载下来都看不懂是什么鬼。有些提供了Raw IDAT文件的，又不提供Sample.csv文件，处理起来费时费力。

我是真的觉得学术界应该花点力气做一些整理规范工作……Biocondcutor就是这其中的翘楚案例。

另外我一直想下载一批较大的GEO数据：GSE87571，想要最原始的那一批6.1G大小的IDAT文件，但是一直都无法下载下来。有知道更好的办法的同学可以告诉我一下。