作為一個(gè)剛接觸生物信息這個(gè)專業(yè)小白，我正在努力學(xué)習(xí)著最基礎(chǔ)的東西，最先是了解GEO數(shù)據(jù)庫，自己利用數(shù)據(jù)進(jìn)行分析，還好之前有R語言基礎(chǔ)，這第一步就花了很長時(shí)間，但是完成后是很有成就感的，希望我在自己摸索的道路上越走越順，接下來就是記錄我學(xué)習(xí)心路。(可能有很多錯(cuò)誤，歡迎各位老師指正)
首先是瀏覽GEO數(shù)據(jù)庫，這個(gè)龐大的數(shù)據(jù)庫看的我是真的暈，學(xué)好英文真的是很重要啊，不過不能急，慢慢來，一點(diǎn)一點(diǎn)去看，先下載幾個(gè)數(shù)據(jù)看看，我一般是以白血病(leukemia)為例
GDS GSE GPL GSM
這四個(gè)東西我之前是分不清的，后來在強(qiáng)大的網(wǎng)絡(luò)幫助下，我成功弄明白了，GSM是單個(gè)樣本的實(shí)驗(yàn)數(shù)據(jù)，GDS是人工整理好的關(guān)于某個(gè)話題的GSM的集合，一個(gè)GDS中的GSM的平臺是一樣的，GSE是一個(gè)實(shí)驗(yàn)項(xiàng)目中的多個(gè)芯片實(shí)驗(yàn)，可能使用多個(gè)平臺，GPL是芯片的平臺，如Affymetrix， Aglent等。
好啦，接下來是下載數(shù)據(jù)了，以GSE13822為例，下載它的數(shù)據(jù)系列文件GSE_series_matrix,文件里面！號開頭的是一些實(shí)驗(yàn)描述內(nèi)容，一般包括標(biāo)題，樣本信息，實(shí)驗(yàn)平臺，研究者，發(fā)布時(shí)間等等信息，處理數(shù)據(jù)前之前需要認(rèn)真看這些內(nèi)容。弄清楚樣本數(shù)量，以及實(shí)驗(yàn)組和對照組的樣本編號。
ID_REF行為探針名，列為樣本，整個(gè)矩陣就是對應(yīng)的表達(dá)值
接下來是平臺文件，這個(gè)實(shí)驗(yàn)的平臺是在GPL570，所以一下是平臺文件信息，#號開頭的是對平臺的描述
數(shù)據(jù)從ID那一行開始
這個(gè)文件我們在探針注釋要用到，到時(shí)候具體要用的就是用綠色標(biāo)出來的三列
接下來就是核心的內(nèi)容了，就是數(shù)據(jù)預(yù)處理，這一步主要就是把數(shù)據(jù)進(jìn)行一定的處理，然后篩選出差異基因，為后面的研究做準(zhǔn)備，這里我用的工具是R語言
第一步，先提取數(shù)據(jù)，把我們需要的矩陣讀入，從ID_REF開始
第二步，對數(shù)化，把數(shù)據(jù)從偏態(tài)分布轉(zhuǎn)化成正態(tài)分布
第三步，探針過濾，去除表達(dá)值為負(fù)或者很小的數(shù)據(jù)(噪聲數(shù)據(jù))
第四步，補(bǔ)缺失值
第五步，數(shù)據(jù)標(biāo)準(zhǔn)化(核心)
第六步，探針注釋
第七步，基因篩選
最后篩選出差異基因后，做了熱圖和火山圖（具體代碼和分析在后面那篇文章）
這個(gè)過程挺曲折的，我一直奔走在各大生物信息貼吧和學(xué)習(xí)視頻里，最后終于完成了，我知道這僅僅是個(gè)開始，對我來說這個(gè)開始還挺好的。最后希望所有生信人都能大有作為吧，加油吧！
