获取geo数据，并把探针信息转换成基因名的几种方法

# ======= 加载必要包 清除环境 ==============
# 清除环境
rm(list = ls(all.names = TRUE))

options(stringsAsFactors =F) #避免自动将字符串转换为R语言因子 

# Load GEOquery without displaying any messages
suppressMessages(library(GEOquery))

# Load data.table (messages are not suppressed)
library(data.table)

# 解决编码问题
Sys.setlocale(category = "LC_ALL", locale = "English_United States.1252")

# 增加缓冲区大小和超时设置
Sys.setenv("VROOM_CONNECTION_SIZE" = 131072 * 100)
options(timeout = 99999)

# 设置readr兼容模式
readr::local_edition(1)

setwd("C:\\Users\\Administrator\\Desktop\\1")

#### 表达矩阵获取 ####
# 方式一：从GEO下载表达矩阵（同时获取平台注释）
library(GEOquery)
gset <- getGEO("GSE74602", destdir = "GSE74602/", AnnotGPL = TRUE, getGPL = TRUE)
exp <- exprs(gset[[1]])  # 获取表达矩阵

#### 平台注释信息获取 ####
# 方法三：从GEOquery对象中提取（另一个方法）
feature_data <- fData(gset[[1]])
# 查看列名，确定基因符号所在的列
colnames(feature_data)

# 对于GPL6104平台，基因符号列通常是"Gene Symbol"
ids_direct <- feature_data[, c("ID", "Gene Symbol")]
colnames(ids_direct) <- c("ID", "Gene_name")
ids_direct <- subset(ids_direct, Gene_name != "" & !is.na(Gene_name))
head(ids_direct)

# 方法二：使用idmap3包（推荐）
# devtools::install_github("jimzeng/idmap3")  # 首次使用需安装
library(idmap3)
IDs <- get_pipe_IDs('GPL6104')  # 自动获取探针注释
colnames(IDs) <- c("ID", "Gene_name")
head(IDs)

#### 样本信息获取 ####
pdata <- pData(gset[[1]])

# 提取肿瘤组和正常组
Tumor <- rownames(pdata)[grep("Tumor", pdata$`tissue type:ch1`)]
Normal <- rownames(pdata)[grep("Normal", pdata$`tissue type:ch1`)]
group <- c(rep("Tumor", length(Tumor)), rep("Normal", length(Normal)))

#### 处理表达矩阵 ####
library(dplyr)

# 使用直接从GEOquery对象获取的注释信息（方法三）
exp_df <- as.data.frame(exp)
exp_df$ID <- rownames(exp_df)

exp_annotated <- exp_df %>% 
  inner_join(ids_direct, by = "ID") %>% 
  select(-ID)

# 处理重复基因名（取平均值）
exp_processed <- exp_annotated %>%
  group_by(Gene_name) %>%
  summarise(across(everything(), mean)) %>%
  as.data.frame()

# 设置行名
rownames(exp_processed) <- exp_processed$Gene_name
exp_processed <- exp_processed[, -1]

# 筛选肿瘤和正常样本
exp_final <- exp_processed[, c(Tumor, Normal)]

#### 备选方法：从补充文件获取表达矩阵 ####
# 方式二：从补充文件中下载表达矩阵
library(data.table)
exp1 <- fread("GSE74602/GSE74602_non_normalized.txt.gz")
rownames(exp1) <- exp1$ID_REF
exp1 <- exp1[, -1]  # 移除ID_REF列

# 使用idmap注释（方法二）
exp1_df <- as.data.frame(exp1)
exp1_df$ID <- rownames(exp1_df)

exp1_annotated <- exp1_df %>% 
  inner_join(IDs, by = "ID") %>% 
  select(-ID)

# 处理重复基因名
exp1_processed <- exp1_annotated %>%
  group_by(Gene_name) %>%
  summarise(across(everything(), mean)) %>%
  as.data.frame()

rownames(exp1_processed) <- exp1_processed$Gene_name
exp1_processed <- exp1_processed[, -1]

# 确保样本名一致
colnames(exp1_processed) <- colnames(exp_final)

#### 保存数据 ####
save(exp_final, exp1_processed, Tumor, Normal, group, file = "GSE74602/GSE74602数据集.RData")

探针注释信息的完整获取方法

setwd(“C:\Users\Administrator\Desktop\1”)

表达矩阵获取

library(GEOquery)
gset <- getGEO(“GSE74602”, destdir = “GSE74602/”, AnnotGPL = FALSE, getGPL = FALSE)
exp <- exprs(gset[[1]]) # 获取表达矩阵

平台注释信息获取 - 多种方法

方法一：直接从GEO下载GPL文件

gpl <- getGEO(‘GPL6104’, destdir = “GSE74602/”)
gpl_table <- Table(gpl)
ids <- gpl_table[, c(1, 12)]
colnames(ids) <- c(“ID”, “Gene_name”)
ids <- subset(ids, Gene_name != “”) # 过滤空基因名
head(ids)

方法二：使用idmap3包（推荐）

devtools::install_github(“jimzeng/idmap3”) # 首次使用需安装

library(idmap3)
IDs <- get_pipe_IDs(‘GPL6104’) # 自动获取探针注释
colnames(IDs) <- c(“ID”, “Gene_name”)
head(IDs)

方法三：从GEOquery对象中提取（另一个方法）

此方法需要下载GPL信息，但更直接

gset_with_gpl <- getGEO(“GSE74602”, destdir = “GSE74602/”, AnnotGPL = TRUE, getGPL = TRUE)
feature_data <- fData(gset_with_gpl[[1]])
ids_direct <- feature_data[, c(“ID”, “Gene Symbol”)]
colnames(ids_direct) <- c(“ID”, “Gene_name”)
ids_direct <- subset(ids_direct, Gene_name != “”)
head(ids_direct)

方法四：使用Bioconductor注释包（最可靠）

首先确定GPL6104对应的Bioconductor注释包

GPL6104对应Illumina HumanHT-12 V3.0芯片

安装对应注释包：biocLite(“illuminaHumanv3.db”)

library(illuminaHumanv3.db)

获取探针到基因的映射

probe_ids <- rownames(exp)
gene_symbols <- mapIds(illuminaHumanv3.db,
keys = probe_ids,
column = “SYMBOL”,
keytype = “PROBEID”)
ids_bioc <- data.frame(ID = probe_ids, Gene_name = gene_symbols)
ids_bioc <- na.omit(ids_bioc) # 移除无注释的探针
head(ids_bioc)

样本信息获取

pdata <- pData(gset[[1]])

提取肿瘤组和正常组

Tumor <- rownames(pdata)[grep(“Tumor”, pdata$‘tissuetype:ch1‘)]Normal<-rownames(pdata)[grep("Normal",pdata$tissue type:ch1)]
group <- c(rep(“Tumor”, length(Tumor)), rep(“Normal”, length(Normal)))

处理表达矩阵

library(dplyr)

使用Bioconductor注释（方法四）处理表达矩阵

exp_df <- as.data.frame(exp)
exp_df$ID <- rownames(exp_df)

exp_annotated <- exp_df %>%
inner_join(ids_bioc, by = “ID”) %>%
select(-ID)

处理重复基因名（取平均值）

exp_processed <- exp_annotated %>%
group_by(Gene_name) %>%
summarise(across(everything(), mean)) %>%
as.data.frame()

设置行名

rownames(exp_processed) <- exp_processed$Gene_name
exp_processed <- exp_processed[, -1]

筛选肿瘤和正常样本

exp_final <- exp_processed[, c(Tumor, Normal)]

保存数据

save(exp_final, Tumor, Normal, group, file = “GSE74602/GSE74602数据集.RData”)