GEO 数据库

GEO 数据库

概述

基因表达汇编（GEO）是NCBI维护的公共功能基因组学数据存储库，包含微阵列和下一代测序数据。GEO提供对数百万个样本、数千个系列和数百个数据集的访问，使其成为基因表达研究、生物标志物发现和系统生物学分析的宝贵资源。

何时使用此技能

使用GEO数据库当：

• 查找基因表达数据集：搜索与特定疾病、组织或实验条件相关的研究
• 检索原始数据：下载微阵列或RNA-seq原始数据文件
• 获取元数据：访问样本信息、实验设计、平台详情
• 差异表达分析：识别实验条件之间的差异表达基因
• 生物标志物发现：寻找与疾病状态相关的基因表达模式
• 系统生物学研究：整合多个数据集以进行通路和网络分析
• 数据验证：使用独立数据集验证实验结果

核心功能

1. GEO数据结构

GEO数据按三个层次组织：

• GSE（GEO Series）：包含相关样本的完整实验，包括实验设计、处理方法和摘要数据
• GSM（GEO Sample）：单个样本的原始和/或处理数据，包括样本元数据
• GPL（GEO Platform）：描述探针集、阵列元素或测序平台的物理格式

2. GEOquery（R包）

GEOquery是访问GEO数据的主要工具。

安装：

# 使用Bioconductor安装
if (!requireNamespace("BiocManager", quietly = TRUE))
    install.packages("BiocManager")
BiocManager::install("GEOquery")

基本用法：

library(GEOquery)

# 获取GSE数据集
gse <- getGEO("GSE12345", GSEMatrix = TRUE)

# 获取GSM样本
gsm <- getGEO("GSM123456")

# 获取GPL平台
gpl <- getGEO("GPL12345")

3. 查询GEO数据

按关键词搜索

library(GEOquery)

# 搜索数据集
results <- getGEOmatrix(keyword = "breast cancer", GSEMatrix = TRUE)

# 搜索特定组织
results <- getGEOmatrix(keyword = "lung tissue", GSEMatrix = TRUE)

# 搜索疾病和平台
results <- getGEOmatrix(keyword = "diabetes AND RNA-seq", GSEMatrix = TRUE)

按GSE ID获取数据

library(GEOquery)

# 获取GSE数据集
gse <- getGEO("GSE12345", GSEMatrix = TRUE)

# 查看数据集信息
gse
print(gse[[1]])

# 获取表达矩阵
exprs_matrix <- exprs(gse[[1]])

# 获取表型数据
pheno_data <- pData(gse[[1]])

# 获取特征数据
feature_data <- fData(gse[[1]])

4. 处理GSE数据集

提取表达矩阵

library(GEOquery)

# 获取GSE数据集
gse <- getGEO("GSE12345", GSEMatrix = TRUE)

# 提取表达矩阵
exprs_matrix <- exprs(gse[[1]])

# 查看矩阵维度
dim(exprs_matrix)

# 查看前几行和列
head(exprs_matrix[, 1:5])

处理表型数据

# 获取表型数据
pheno_data <- pData(gse[[1]])

# 查看可用的表型变量
colnames(pheno_data)

# 按条件分组
condition <- pheno_data$source_name_ch1

# 创建实验设计矩阵
design <- model.matrix(~0 + condition)
colnames(design) <- levels(condition)

处理特征数据

# 获取特征数据
feature_data <- fData(gse[[1]])

# 查看探针信息
head(feature_data)

# 将探针ID映射到基因符号
gene_symbols <- feature_data$Gene.Symbol

5. 差异表达分析

使用limma进行微阵列分析

library(GEOquery)
library(limma)

# 获取GSE数据集
gse <- getGEO("GSE12345", GSEMatrix = TRUE)
exprs_matrix <- exprs(gse[[1]])
pheno_data <- pData(gse[[1]])

# 创建设计矩阵
condition <- factor(pheno_data$source_name_ch1)
design <- model.matrix(~0 + condition)
colnames(design) <- levels(condition)

# 拟合线性模型
fit <- lmFit(exprs_matrix, design)

# 创建比较矩阵
contrast.matrix <- makeContrasts(Treatment - Control, levels=design)

# 拟合对比
fit2 <- contrasts.fit(fit, contrast.matrix)
fit2 <- eBayes(fit2)

# 获取差异表达基因
top_genes <- topTable(fit2, adjust="fdr", number=Inf)

# 筛选显著基因
significant_genes <- top_genes[top_genes$adj.P.Val < 0.05, ]

使用edgeR进行RNA-seq分析

library(GEOquery)
library(edgeR)

# 获取GSE数据集
gse <- getGEO("GSE12345", GSEMatrix = TRUE)
counts <- exprs(gse[[1]])
pheno_data <- pData(gse[[1]])

# 创建DGEList对象
group <- factor(pheno_data$source_name_ch1)
dge <- DGEList(counts=counts, group=group)

# 标准化
dge <- calcNormFactors(dge)

# 创建设计矩阵
design <- model.matrix(~group)

# 估计离散度
dge <- estimateDisp(dge, design)

# 拟合模型
fit <- glmFit(dge, design)

# 执行检验
lrt <- glmLRT(fit, coef=2)

# 获取差异表达基因
top_genes <- topTags(lrt, n=Inf)

# 筛选显著基因
significant_genes <- top_genes[top_genes$FDR < 0.05, ]

6. 数据可视化

热图

library(pheatmap)

# 选择top差异表达基因
top_de_genes <- rownames(significant_genes)[1:50]
heatmap_data <- exprs_matrix[top_de_genes, ]

# 创建热图
pheatmap(heatmap_data,
         annotation_col = pheno_data[, c("source_name_ch1")],
         show_rownames = FALSE,
         scale = "row")

PCA图

library(ggplot2)

# 执行PCA
pca_result <- prcomp(t(exprs_matrix), scale. = TRUE)

# 创建数据框
pca_df <- data.frame(PC1 = pca_result$x[,1],
                     PC2 = pca_result$x[,2],
                     condition = pheno_data$source_name_ch1)

# 绘制PCA
ggplot(pca_df, aes(x=PC1, y=PC2, color=condition)) +
  geom_point(size=3) +
  theme_minimal() +
  labs(title="PCA of Gene Expression Data")

火山图

library(ggplot2)

# 创建火山图
ggplot(top_genes, aes(x=logFC, y=-log10(adj.P.Val))) +
  geom_point(alpha=0.5) +
  geom_hline(yintercept=-log10(0.05), linetype="dashed", color="red") +
  geom_vline(xintercept=c(-1, 1), linetype="dashed", color="blue") +
  theme_minimal() +
  labs(title="Volcano Plot",
       x="Log2 Fold Change",
       y="-Log10 Adjusted P-Value")

7. 下载原始数据

下载微阵列原始数据

library(GEOquery)

# 获取GSM样本
gsm <- getGEO("GSM123456")

# 下载原始数据文件
raw_data <- getGEOSuppFiles("GSM123456")

# 解压文件
untar("GSM123456.tar.gz")

下载RNA-seq原始数据

library(GEOquery)

# 获取GSE数据集
gse <- getGEO("GSE12345", GSEMatrix = FALSE)

# 获取SRA访问号
sra_accessions <- gse@relation$`SRA`

# 使用SRA工具包下载数据
# 需要安装SRA Toolkit
# prefetch SRR12345678

8. 批量处理多个GSE数据集

library(GEOquery)
library(limma)

# GSE ID列表
gse_ids <- c("GSE12345", "GSE12346", "GSE12347")

# 批量处理
results <- list()
for (gse_id in gse_ids) {
  # 获取数据集
  gse <- getGEO(gse_id, GSEMatrix = TRUE)

  # 提取表达矩阵
  exprs_matrix <- exprs(gse[[1]])
  pheno_data <- pData(gse[[1]])

  # 执行差异表达分析
  # ... (分析代码)

  # 保存结果
  results[[gse_id]] <- top_genes
}

最佳实践

1. 数据质量检查：在分析之前始终检查数据质量
2. 适当的归一化：根据数据类型使用适当的归一化方法
3. 批次效应校正：如果存在批次效应，使用ComBat或其他方法
4. 多重检验校正：使用FDR或Bonferroni校正调整p值
5. 验证结果：使用独立数据集验证发现
6. 文档记录：记录所有分析步骤以实现可重现性

常见问题

问题：GSE数据集很大，下载很慢

• 解决方案：使用GSEMatrix = FALSE仅下载元数据，或使用GEOquery的getGEOSuppFiles函数分批下载

问题：探针ID到基因符号的映射不明确

• 解决方案：检查GPL平台信息，使用适当的注释包

问题：样本元数据不一致

• 解决方案：仔细检查表型数据，必要时手动整理

问题：数据质量差

• 解决方案：执行质量控制分析，移除低质量样本或探针

其他资源

• GEO网站: https://www.ncbi.nlm.nih.gov/geo/
• GEOquery文档: https://bioconductor.org/packages/release/bioc/html/GEOquery.html
• NCBI GEO教程: https://www.ncbi.nlm.nih.gov/geo/info/tutorial.html
• GEO数据格式规范: https://www.ncbi.nlm.nih.gov/geo/info/soft2.html
• GEO数据集提交指南: https://www.ncbi.nlm.nih.gov/geo/info/submit.html

安装和设置

Python库

# 主要GEO访问库（推荐）
uv pip install GEOparse

# 用于E-utilities和程序化NCBI访问
uv pip install biopython

# 用于数据分析
uv pip install pandas numpy scipy

# 用于可视化
uv pip install matplotlib seaborn

# 用于统计分析
uv pip install statsmodels scikit-learn

配置

设置NCBI E-utilities访问：

from Bio import Entrez

# 始终设置您的电子邮件（NCBI要求）
Entrez.email = "your.email@example.com"

# 可选：设置API密钥以提高速率限制
# 获取您的API密钥：https://www.ncbi.nlm.nih.gov/account/
Entrez.api_key = "your_api_key_here"

# 有API密钥：10个请求/秒
# 无API密钥：3个请求/秒

常见用例

转录组研究

• 下载特定条件的基因表达数据
• 比较跨研究的表达谱
• 识别差异表达基因
• 对多个数据集进行荟萃分析

药物反应研究

• 分析药物处理后的基因表达变化
• 识别药物反应的生物标志物
• 比较细胞系或患者之间的药物效果
• 建立药物敏感性的预测模型

疾病生物学

• 研究疾病与正常组织中的基因表达
• 识别疾病相关的表达特征
• 比较患者亚组和疾病分期
• 将表达与临床结果关联

生物标志物发现

• 筛选诊断或预后标志物
• 在独立队列中验证标志物
• 比较跨平台的标志物性能
• 将表达与临床数据整合

关键概念

SOFT (Simple Omnibus Format in Text): GEO的主要文本格式，包含元数据和数据表。GEOparse易于解析。

MINiML (MIAME Notation in Markup Language): GEO的XML格式，用于程序化访问和数据交换。

Series Matrix: 制表符分隔的表达矩阵，样本为列，基因/探针为行。获取表达数据最快的格式。

MIAME合规性: 微阵列实验最低信息 - GEO对所有提交强制执行的标准注释。

表达值类型: 不同类型的表达测量（原始信号、归一化、对数变换）。始终检查平台和处理方法。

平台注释: 将探针/特征ID映射到基因。对表达数据的生物学解释至关重要。

GEO2R网页工具

对于无需编码的快速分析，使用GEO2R：

• 集成在GEO中的基于网页的统计分析工具
• 访问地址：https://www.ncbi.nlm.nih.gov/geo/geo2r/?acc=GSExxxxx
• 执行差异表达分析
• 生成R脚本以确保可重现性
• 在下载数据之前进行探索性分析很有用

速率限制和最佳实践

NCBI E-utilities速率限制：

• 无API密钥：每秒3个请求
• 有API密钥：每秒10个请求
• 在请求之间实施延迟：无API密钥时time.sleep(0.34)，有API密钥时time.sleep(0.1)

FTP访问：

• FTP下载没有速率限制
• 批量下载的首选方法
• 可以使用wget -r下载整个目录

GEOparse缓存：

• GEOparse自动将下载的文件缓存在destdir中
• 后续调用使用缓存的数据
• 定期清理缓存以节省磁盘空间

最佳实践：

• 使用GEOparse进行系列级访问（最简单）
• 使用E-utilities进行元数据搜索和批量查询
• 使用FTP直接下载文件和批量操作
• 将数据缓存在本地以避免重复下载
• 使用Biopython时始终设置Entrez.email

重要说明

数据质量注意事项

• GEO接受质量标准各异的用户提交数据
• 始终检查平台注释和处理方法
• 验证样本元数据和实验设计
• 小心跨研究的批次效应
• 考虑重新处理原始数据以保持一致性

文件大小警告

• 系列矩阵文件可能很大（大型研究>1 GB）
• 补充文件（如CEL文件）可能非常大
• 下载前计划足够的磁盘空间
• 考虑增量下载样本

数据使用和引用

• GEO数据可免费用于研究