GEO数据挖掘 | 正确读取GEO数据

正文开始：

近期，在使用GEOquery包处理数据时，出现问题：

1. p_load(GEOquery, Biobase)

2. data = getGEO('GSE1561', destdir = getwd())

1、该命令默认下载/读取GSE1561_series_matrix.txt.gz文件，通过 exprs(data[[1]]) 从中提取探针表达谱，样本名丢失：

与 GSE1561_series_matrix.txt 文件中的信息相比，读取的内容被丢掉了一部分，而直接从'200010_at'探针开始，并将该行作为了列名：

2、同时，存在的另一个问题是，使用：

Anno_data_f = fData(data[[1]])

提取出的探针注释信息与直接读取对应的 GPL96.soft 文件：

1. Anno_data_t = Table(getGEO('GPL96', destdir = getwd()))    # 下载/读取 GPL96.soft

结果不同，少了部分探针：

setdiff(Anno_data_t$ID, Anno_data_f$ID)

可见，除了以'AFFX-'开头的质控对照探针外，其余的为前31个探针（刚好截至'200010_at'），所以我们可以合理的猜测，是 getGEO 读取文件时发生了问题。查看函数执行时显示的信息，如下：

Found 1 file(s)GSE1561_series_matrix.txt.gzUsing locally cached version: ./GSE1561_series_matrix.txt.gzParsed with column specification:cols(.default = col_double(),

200010_at = col_character())See spec(...) for full column specifications.Using locally cached version of GPL96 found here:./GPL96.soft

而正常读取时，显示如下：

Found 1 file(s)GSE1561_series_matrix.txt.gzUsing locally cached version: ./GSE1561_series_matrix.txt.gzParsed with column specification:cols(.default = coldouble(),

IDREF = col_character())See spec(...) for full column specifications.Using locally cached version of GPL96 found here:./GPL96.soft

两者的区别在于，正常读取时，是将 GSE1561_series_matrix.txt 文件中的 ID_REF 行作为列名，即样本名，而错误读取时是将 200010_at 行作为列名，这与我们上面看到的结果一致！

这个数据读取的问题出在内部调用的 readr 包上，且出问题的是1.2版本：

https://github.com/tidyverse/readr

1. packageVersion('readr')

[1] ‘1.2.1’

同样针对使用GEOquery包出现问题的描述：

https://github.com/tidyverse/readr/issues/925

不过，在更新的readr包中，问题已经解决：

https://github.com/tidyverse/readr/pull/933

既然是包的问题，这里提供两种解决方法：

1、安装v1.1.1版本的readr

p_load(devtools)
install_version('readr', version = '1.1.1')

2、安装最新版readr【推荐】

1. # 先卸载

2. p_delete(GEOquery, readr)

3. 
   

4. # 安装github上最新发布的readr

5. p_load_gh('tidyverse/readr')

6. packageVersion('readr')        # ‘1.3.1.9000’

7. p_load(GEOquery)

重启R即可！

此时，重新执行 getGEO 读取数据，再通过 exprs(data[[1]]) 提取的探针表达谱正常。

但是对于问题2，使用 fData 获取的探针注释仍然缺少'AFFX-'开头的部分探针。其实，并非两种提取方法存在什么本质区别，而是...GSE1561_series_matrix.txt文件本身就未提供'AFFX-'开头的部分探针！所以，想要获取更全面的探针注释信息，推荐：

Table(getGEO(GPLname, destdir = getwd()))    # 替换真实的GPLname！