geo数据库

GEO，全称 Gene Expression Omnibus（基因表达综合数据库），网址∶ https∶/ww.ncbinlm.nih.gov/geo/，是由美国国立生物技术信息中心 （ National Center for Biotechnology Information，NCBD于2000年创建并维护至今的高通量基因表达数据库。

GEO是一个国际公共存储库，收录并整理了全球范围内研究工作者上传的微阵列芯片、二代测序以及其他形式的高通量基因组数据，并提供免费下载。

GEO数据有两种存储形式：

• GEO DataSets 以数据集为单位，存储同一个实验中的数据；
• GEO Profiles 以基因为单位，存储基因在数据集中的表达谱。

组织结构从大到小：

• Platforms：高通量实验检测所用工具（哪个公司哪款产品），编号GPL开头，例如 GPL570
• Series：构成某个实验的相关样本，组成一个有生物意义的数据集。包括样本信息和方案设计等信息，可以看做一套完整的实验方案，实际上每个 Series基本对应一篇完整的论文。编号GSE开头，例如GSE5764。一个gse有多个sample（样本）
• Datasets & Profiles：高质量的GSE数据集还会被GEO官方工作者整理为Datasets和Profiles。Datasets 是分析好的Series，编号以GDS开头，所有gds也有多个sample。
• Sample：样本

GEO的研究数据类型:

数据类型有9种，以芯片为主，例如RNA、甲基化和SNP芯片数据等。也包括很多高通量测序数据。

高通量测序数据，原始数据存储在SRA，处理后数据则存储在GEO中。

在使用GEO数据时，千万不要忘记注明引用该数据文献的PMID编号！

image.png

下载数据

使用R语言下载：

library(GEOquery)
GSE57820 <- getGEO("GSE57820", GSEMatrix =TRUE, destdir = ".", getGPL = T, AnnotGPL = T)
# 支持多种编号下载：GSE57820、
# # destdir设置当前目录，getGPL 和AnnotGPL都设置TRUE，可以下载和获得平台的注释文件

利用GDS号下载

 GDS6100 <- getGEO("GDS6100", GSEMatrix =TRUE, destdir = ".", getGPL = T, AnnotGPL = T)

利用GSM号下载(单样本的表达数据)：

 GSM1394594 <- getGEO("GSM1394594", GSEMatrix =TRUE, destdir = ".", getGPL = T, AnnotGPL = T)

利用GPL号下载:

 GPL10558 <- getGEO("GPL10558", GSEMatrix =TRUE, destdir = ".", getGPL = T, AnnotGPL = T)

针对芯片平台，利用GPL号下载得到的数据是芯片的设计和注释信息，可以获得探针组和基因的对应关系。

参考文章

https://www.sohu.com/a/583980773_121118947
https://www.cnblogs.com/yahengwang/p/9676422.html