转录组数据结构

2、NCBI的 GEO数据集

（1）转录组数据主要有2种，一种是 Expression profiling by array，可下载的数据格式是 CEL，在 Series Matrix File(s)中下载的数据，可以用R读取：

gse112389.data <- read.table("GSE112389_series_matrix.txt",header = T,sep = "\t",comment.char = "!")

注释部分是以“！”开始的，可以用文本阅读器读取。

读出的数据中，是各探针的id检测到的表达值，探针ID(如244906_at)与基因ID(AT2G07783)之间的对应关系在GPL文件中，该表格可以下载，

读取gpl文件，需要Bioconductor包

library(Biobase)

library(GEOquery)

如果没有，用BiocManager::install("GEOquery", version = "3.8")来安装。

从网上直接获取GPL：

gpl198 <- getGEO("GPL198" , destdir = ".")

再次使用时，可以从本地读取：gpl198 <- getGEO(filename = "GPL198.soft")

提取探针id与基因id的关系部分，这里分了两步，

gpl198.dataTable <- gpl198@dataTable

gpl198.table <- gpl198.dataTable@table

可以一步完成：gpl198.table <- gpl198@dataTable@table

把表达数据和探针信息合并

两个表的探针id顺序一致时，可以简单的合并：

gse112389.express <- cbind(gse112389.data,gpl198.table)

或者，先统一两个数据集共同列的名称

colnames(gpl198.table)[1] <- "ID_REF"

然后融合

gse112389.express <- merge(gse112389.data,gpl198.table,by = "ID_REF")

（2）另一种转录组数据是 Expression profiling by high throughput sequencing，这种直接下载raw文件，解包后自己组合所需要的数据，拟南芥中直接就是基因id，不需要其它处理。

d1 <- read.table("GSM3373992_D_1.txt", sep = "\t")

d2 <- read.table("GSM3373993_D_2.txt", sep = "\t")

d3 <- read.table("GSM3373994_D_3.txt", sep = "\t")

基因名称列表顺序相同时，可以直接合并 

d0 <- cbind(d1,d2,d3)

或者：d0 <- merge(merge(d1,d2, by = "V1"),d3,by = "V1")，

更多文件时，放在一个目录下，用dir()获取文件名后，用for循环处理。

expfiles = dir()

expdata = read.table(expfiles[1],sep = "\t")

colnames(expdata) = c("ID",substr(expfiles[1],1,14)  )

for ( i in 2:length(expfiles)){ 

  expdata0 = read.table(expfiles[i],sep = "\t")

  colnames(expdata0) = c("ID",substr(expfiles[i],1,14)  )

  expdata = merge(expdata,expdata0,by = "ID")

}

最后可以输出成TXT文件

write.table(expdata,"expr.txt")