GEO入门教程 | 如何利用GEO数据库筛选适合自己的数据集

发布于 2024-07-30 · 浏览 8310 · IP 广东广东

今天来给大家介绍一下💡如何去使用GEO数据库，以及怎样筛选适合自己的数据集。

01 什么是GEO数据库

GEO（GENE EXPRESSION OMNIBUS）数据库是由美国国立生物技术信息中心（NCBI）于2000 年创建的基因表达数据库，收录了世界各国研究机构提交的基因表达数据，主要包括肿瘤、非肿瘤、芯片、NGS、差异分析、分子验证等各种公开数据。

目前已发表的论文中涉及到基因表达检测的数据都可以通过 GEO 数据库找到，并且是免费使用。

02 GEO数据库中数据的四个层级

GEO数据库中的数据有四个层级，搞懂什么是GPL，GSE，GDS 和 GSM，也就搞懂了如何进行检索。

我们都知道，GEO这种大型数据库收录的数据又多又杂，在存放时就必然不能乱七八糟地存放，不然检索起来就会十分困难。

因此，官方将所有数据从大到小分为四个层级，分别是GPL，GSE，GDS 和 GSM，如下图所示：👇

1️⃣一个GPL ID对应一个实验平台的信息，包括芯片探针的设计和注释信息。

2️⃣一个GSE ID是指整个研究项目的系列数据，通常对应一篇完整的论文，会涉及一到多个实验平台（GPL）。

3️⃣一个GDS ID对应同一个实验平台的数据集，高质量的GSE数据集会被官网拆分、整理好放在Datasets和Profiles中。例如，Datasets中那些分析好的Series，编号会以GDS开头。而Profiles中则以基因为单位存储数据，是Datasets 各分组中的表达谱，分配的是流水号，例如33759453。

4️⃣一个GSM ID对应一个样本的表达数据信息，GSE，GDS 会包含多个GSM的数据，因为数据集肯定不止一个样本啊。

03 GEO实操（肺腺癌为例）

🔎检索方式

①通过NCBI官网进入GEO数据库（https://www.ncbi.nlm.nih.gov/）

选择GEO DateSets，可以直接输入疾病，例如做肺癌生存分析，输入“lung cancer survival”。

首先数据导入类型主要分为四种：datasets、series、samples和platforms，根据自己的需要选择，最常用的是series数据集显示格式。然后限定样品类型、作者和物种来源。然后可以根据样品数量进一步做数据集筛选（建议样品选多一点）。最后选择合适的数据集下载。