|
Affymetrix表达谱芯片（以下简称Affy）是小编最早接触到的基因表达数据产出平台，以简单、成熟、便宜等特点，与二代测序平台形成鲜明对比，我们今天以GEO数据库上的GSE15459数据为例，讲解该芯片数据的预处理过程（从原始CEL文件到基因水平表达数据）！ ### GSE15459于2009年发布，收录了使用Affy芯片平台检测的200个胃癌患者的基因表达数据，如下： https://www.ncbi.nlm./geo/query/acc.cgi?acc=GSE15459 ### 提供两种数据（原始数据和预处理后的数据）的下载： 数据预处理要从原始数据（CEL格式）开始，即GSE15459_RAW.tar文件： ### 既然提供了处理好的数据，为什么还要自己做预处理？ 1、有时候数据集并未详细描述数据预处理过程，即你不知道他怎么得到的，不敢用； 2、数据预处理方法并非更受欢迎或者自己熟悉的方法，如下MAS方法虽然常用，但是也并不能直接用于后续分析： 3、处理好的文件，如本数据集的GSE15459_series_matrix.txt，用excel打开，格式如下： 可见，在正式的表达矩阵（红框选中）之前有大段的可以理解为注释的数据，所以在使用该文件分析时要考虑进去！ 4、也是最重要的一点：自己处理有成就感！ ### 对于GEO数据集的讲解和数据下载，详见历史文章 ### 将下载好的原始数据GSE15459_RAW.tar文件解压缩，可见每个样本一个.gz压缩文件： 文件不大，不到5M，与动辄几百兆，上G的测序数据相比... 注意不需要解压缩，另外，其中有8个样本被排除分析： 我们在进行预处理前也把这8个样本删除掉，即最终剩余192个样本！ Affy芯片成熟不仅仅在于官方提供了一系列的分析软件，而且很多R包可以进行Affy数据的处理分析，而其中最基础的就是affy包： https:///packages/release/bioc/html/affy.html ### 安装及加载 # try http:// if https:// URLs are not supported source('https:///biocLite.R') biocLite('affy') library(affy) ### 读取CEL数据 重点就是ReadAffy函数： 可见统计信息-探针数：54675；样本数：192；注释包：hgu133plus2.db 可以通过gsub函数将样本名后的.CEL.gz去除掉 ### RMA标准化并提取探针水平表达 RMA是对于Affy基因表达谱芯片最常用的标准化方法，包含背景矫正、标准化、log转化等过程： ### 探针-基因对应关系 对于该数据集，要用到的注释R包是hgu133plus2.db：
可见，第一列为探针ID，第二列为Gene Symbol，通过该对应关系即可得基因水平表达数据，步骤如下： 1、删除对应多个基因的探针：
2、去除无对应基因的探针：
3、对应同一基因的多个探针，取均值作为基因水平表达值：
4、补缺失【可选】：
|
|
|
