基因芯片分析R语言差异基因流程：下载数据、基因注释/ID转换、差异分析

自学了基因芯片差异分析后这几天试着操作一下，遇到了不少问题，在园里看到了很多前辈的经验，决定把这个流程写下来，希望能帮助到和我一样的小白，也相当于自己做个笔记。整个分析过程大部分是通过R软件，我基础不好，看了几节基础视频和网上的分析视频，照搬了代码下来，照着跑了。那我们开始吧！注：本文所有代码在附件上传。

一.数据下载。这里讲的是GEO数据库里的基因芯片分析，有两种方式，一种是直接下载原始文件，以CEL结尾的。如下：

另一种是直接下载上传者分析好的数据矩阵，省了处理原始数据、标准化等过程。如下：

先说第一种情况。先下载原始文件压缩包，解压缩到目的文件夹，为了后续分析方便，先在目录下新建三个文件夹，一组是control组，一组是tumor组，还有一组是所有cel文件汇合一起的。根据GEO官网的介绍把对应的sample放到这三个文件夹里。

下面开始分析原始数据过程，（下载矩阵txt文件的接二/2）

二.数据预处理

1、贴上代码，打开Rstudio直接跑（先下载好用到的包）

接下来对normal组和tumor组分开分析，先处理normal组

再处理tumor组

得到了两组处理后的数据，接下来进行合并

至此，就得到了处理后的数据，类似这样

2、从官网下载series_matrix文件的情况。省略以上步骤，直接下载下来解压到工作目录，得到以下文件

为了方便后续处理，将名字改为同原始数据处理得的文件名cancer.probeid.exprs.txt，这样代码就不用改来改去了，将文件拷贝到excel删掉红框部分，只留下ID号和sample信息

这样，我们两种方法得到的结果格式是一样的了

三、基因注释/ID转换

这里我遇到了几种情况，1、直接在GEO数据库找到相应GPL注释文件，用R注释转换

2、GPL平台没有直接的gensymbol，也有两种方法，一种找到平台对应的R包，另一种直接用R下载平台注释。

先说第一种。1、从GEO官网上得知我的GSE对应的平台是GPL570

点击进去，直接下载download full table 解压到目标目录。

打开平台注释文件，删除不需要的列，只剩下ID、genesymbol、entrez-geneid这三列

代码走起！

照步骤来做一般是没什么问题，至此我们注释完成，得到了bladder1.cancer.geneid.exprs、bladder1.cancer.genesyb.exprs两个文件。

2、

我发现不是所有GPL的格式都是以上那样直接给出genesymbol和entrez id的，这时候就不用去GEO下载平台注释文件了，找到平台对应的R包即可，R包怎么找，参考文章：http://www.bio-info-trainee.com/1399.html

比如我要找GPL6244，对应的R包为，hugene10sttranscriptcluster

下载好这个包，接下来，代码走起！

从而得到注释好的bladder1.cancer.genesyb.exprs文件，那找不到R包怎么办，用以下代码

这样也注释好了，但是有一个问题，gene_assignment并不就是genesymbol，观察到规律基因名在gene_assignment第一个//后面，首先excel打开bladder1.cancer.genesyb.exprs，选择gene_assignment列，数据---分列---分隔符号选其他---，输入“/”完成，最后得到这样的格式

这样我们三种基因注释方法完成。

四、补充缺失值

啰嗦两句，此过程可能会出现”出现重复值“报错，那就需要把bladder1.cancer.genesyb.exprs文件里有重复的基因名筛选出来删掉重复值，或者只显示日期的基因名也查找出来删掉即可。

五、差异表达分析

值p<0.05, |FC|>2已经设置好了

这里要注意的是，我们前面已经按 normal和tumor分组，合并起来前几列是normal组，后几列是tumor组，把两个组的sample数分别在代码里面改过来。如果是直接下载矩阵的话则同理把矩阵sample顺序调一下再改代码即可。

diffEXp.xls就是我们需要的差异分析结果

还可以画个热图

火山图

接下来就可以拿这个结果去做下一步分析啦！所有代码在附件，因为是初学者，所以知道这条路上碰到问题多难解决，这篇文章很啰嗦，但是希望能帮助到初学者们，如果文章中有错误，请指出！