基因表达据分析实验指导.doc

基因表达数据分析实验指导 1.?实验基本情况 2.?实验方法： 2.1?表达谱数据的下载 2.2?将表达谱数据导入matlab软件 2.3?补缺失值 2.4?数据标准化 2.5?差异表达基因筛选 2.6?选择差异表达的基因 2.7对差异表达基因送入功能注释 附?-- Matlab的Microarray Data Analysis ? 1.?实验基本情况 实验目的： 掌握和了解常用的基因表达分析过程，包括数据下载、数据预处理、差异表达分析和基因功能注释。了解GEO、SMD、Matlab软件和WebGestalt数据库的使用。 实验方法： 详见下面的描述。 实验作业： 每位同学从GEO或SMD数据库上下载一套表达谱数据，进行数据预处理，差异表达基因分析或聚类分析等数据分析过程（依据具体问题操作，arraytool或matlab或其他软件均可），基因功能注释（WebGestalt、GO、KEGG等数据库）。 实验实例分析 ===================================================================== 2.?实验方法： 2.1?表达谱数据的下载 2.1.1?从GEO数据库上下载表达谱数据 1)?网址及数据库概述 GEO主页：/geo/ GEO数据库中包含四种类型的条目，分别以GPLXXXX（检测平台），GSMXXXX（生物样本），GSEXXXX（基因表达系列），GDSXXXX（基因表达数据集）表示。其中GPLXXXX有SAGE、MPSS、单色芯片（Affymetrix）、双色芯片（spotcDNA/DNA）几种；GSEXXXX与GDSXXXX的区别在于：GSE是实验者一次一起提交的数据集，包含原始的数据文件，而GDS是GEO数据库的维护者根据样本和实验平台的特性进行整理的，与原有的GSE数据可能有样本量上的差异；一般GDS都有对应的GSE数据；GDS不包含单独的原始数据，如果想获得其原始数据，需要链接到他的GSE网页上下载；GDS样本间的可比性更强，如果有GDS就先分析GDS。 2）数据下载 GEO可提供两种数据的下载，一种是整理好的soft格式数据，是一个数据矩阵，包含多个基因在多个条件下的表达值，如GDS2220.soft；另一种是单独的数据文件，每张芯片一个数据表格，如GSE3519_family.xml文件夹里的文件，就是对应GDS2220这次实验的原始数据。另外还有一个GDS2220.annot数据是提供基因描述的。具体的下载方式如下： 在GEO主页上（图1），可以通过浏览（browse）或query中输入疾病名字，如风湿性关节炎（rheumatoid?arthritis）在Datasets后，点击go进行搜索，结果如图2。 图1. GEO的主页 图2.GEO的搜索结果 之后点击你感兴趣的GDS集合，如GDS2220，就进入每套数据的页面了（图3）。 图3.GDS2220数据的浏览界面 在图3中，点击下拉菜单中的DataSet?SOFT file，就能下载GDS2220.soft文件；点击Annotation SOFT file就可以下载GDS2220.annot文件；点击seriers?family?miniml?file就可以下载GSE3519_family.xml文件夹,但这个速度较慢，这里有个小窍门，大家可以在迅雷中新建一个下载任务，粘贴地址：?/pub/geo/DATA/MINiML/by_series/GSE139/GSE139_family.xml.tgz?，这里GSE139是可以替换的，比如要下载GDS2220配套的数据，就直接把两个GSE139都替换成GSE3519就可以直接下载了；点击series family soft file下载的文件与GDS2220.soft类似，只是样本是GSE3519的数据，可能和GDS2220的样本不同，这里是相同的。 也可以通过以下方式寻找特殊平台的数据。 3)?文件描述 （a）GDS22.soft 该文件从上到下分为三个部分：第一部分，数据集合基本描述，文字形式，以！或#开头；第二部分，表格的表头，如“ID_REF??????????????????IDENTIFIER??????GSM80309?????????GSM80310?????????GSM80311?????????GSM80312?????????GSM80313?????????GSM80314?????????GSM80315????????GSM80316?????????GSM80317”，以tab键分割，表示下面的数据部分每一列的含义；第三部分，数据，如GDS2220.soft中第一列为每一个基因的编号，第二列是基因名字，第三列是GSM