公共数据库挖掘第一步-GEO数据库下载表达谱数据和生存数据

欢迎关注”生信修炼手册”!

在NAD+代谢相关基因的文章中，针对来自GEO数据库的ALS患者的表达谱数据进行了挖掘，本文就以这两批GEO数据为例，来详细展示原始数据的下载过程

公共数据库的数据挖掘有多种模式，每种模式需要的原始数据也不尽相同。所以，首先我们要明确目标，对于这个基因建模而言，我们需要以下两种数据

1. 基因表达谱

2. 患者的生存数据

明确目标之后，我们就可以针对的来分析寻找数据了

1. 基因表达谱

在GEO数据库中收录的表达谱数据有两种类型

1. 基于NGS的表达谱

2. 基于芯片的表达谱

二者的模式稍有不同，芯片平台以探针为单位，而NGS的数据直接以基因为单位。我们最终希望得到的表达谱数据就是行为基因，列为样本的表达谱，所以

1.对于芯片平台，在下载表达谱的同时，我们还需要下载芯片对应平台的注释文件，主要是提供探针到基因的映射关系

2.对于NGS, 基因定量的坐标来自于GTF文件，芯片平台在NGS就对应了GTF的版本

GEO一开始就是用来存储芯片表达谱数据的，所以对于芯片恶言，会有一个通用的格式，以GSE112676为例，数据链接如下

https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE112676

我们需要重点关注两部分