数据库geo

‘壹’ GEO数据库为什么是RNA

因为GEO是基因表达综合数据库，RNA是实现遗传信息在蛋白质中的表达。
从GEO数据库获取GSE79973数据集，该数据集包含胃癌疾病与正常样本的表达谱数据，筛选出其中差异表达的lncRNA。
下载GSE62254和GSE15459数据集以及对应的临床数据，通过GSE62254数据集来构建一个临床预测模型，识别出与预后显着相关的lncRNA，通过GSE15459数据集对模型进行验证。
进一步的通过多因素分析来研究ACJJ分期、性别、年龄和样本的风险分数与临床预后的关系。最后通过ssGSEA来发现样本的高低风险组之间通路富集的差异情况。

‘贰’ geo数据库数据如何标准化

标准化的方法就是Counts值：

对给定的基因组参考区域，计算比对上的read数，又称为raw count（RC）。

aw count作为原始的read计数矩阵是一个绝对值，而绝对值的特点是基因长度、测序深度不同不可以比较。所以我们要进行标准化把count矩阵转变为相对值，去除基因长度、测序深度的影响，我们采用分析的。

标准化的三种方法得出的三种值：

RPM (Reads per million mapped reads)：RPM方法：10^6标准化了测序深度的影响，但没有考虑转录本的长度的影响。

RPKM/FPKM方法：

103标准化了基因长度的影响，106标准化了测序深度的影响。TCGA的数据分析多采用这种结果。

TPM (Transcript per million)：TPM的计算方法也同RPKM/FPKM类似，TPM可以看作是RPKM/FPKM值的百分比。

具体判断方法：

表达量是否需要重新标准化。

可以通过boxplot函数观察一下样本表达丰度值的分布是否整齐进行判断。

是否需要log2:根据数据值的大小。

如果表达丰度的数值在50以内，通常是经过log2转化的。如果数字在几百几千，则是未经转化的。

‘叁’ GEO数据库 如何选择某一数据集中的部分样本进行差异分析呢

在 GEO 数据库中，选择部分样本进行差异分析的方法可能会有所不同，具体取决于您选择的差异分析工具和方法。

一种常用的方法是使用 GEO2R 工具，它是 GEO 数据库的内置差异分析工具，可以让您在线对 GEO 数据进行差异分析。在使用 GEO2R 时，您可以在“Sample Information”页面中选择需要分析的样本。您可以选择多个样本作为组内样本和组间样本，并在“Comparison”页面中设置样本组。GEO2R 会使用 R 包进行差异分析，并为您生成统计学和可视化结果。

另一种方法是使用其他第三方分析工具，如 R/Bioconctor 中的 limma 包，这样就可以编写脚本来读取GEO数据并进行相关操作。首先，您需要使用 GEOquery 包下载数据，然后将数据转换为ExpressionSet对象。接着，您可以使用subset函数来选择需要的样本，并使用 limma 包中的 lmFit 和 eBayes 函数进行差异分析。

无论采用哪种方法，都需要充分考虑样本选择和组设置，以确保差异分析的正确性和可靠性。

此外，在选择样本之前还有其它需要考虑的条件，如样本的来源，采集时间和方式等。这些条件都可能对结果产生影响，因此应当在研究中明确说明。

另外，需要注意数据清洗，如剔除异常值、缺失值等，确保数据质量。

在使用 GEO 数据库进行差异分析时，还需要注意 GEO 数据库中样本的表达量数据通常都是在平均值和标准差之间转换的，如果洞态态要闭首使用其他数据进行比较，需要转换纳源为相同的格式。