GEO数据库介绍与数据检索

点击蓝字 关注我们

GEO（Gene Expression Omnibus）是NCBI的一个子数据库，主要存放基因芯片和二代测序产生的基因表达谱数据。大家可以将自己的数据上传到GEO数据库也可以直接查看或下载GEO上别人已公开的数据。

如何找到GEO数据库呢？我们只需在NCBI首页左侧导航栏点击Genes&Expression即可找到基因表达相关的子数据库。

NCBI网址：

https://ncbi.nlm.nih.gov/

但是在查询结果中，我们可以发现与GEO相关的条目共有3条，对应的关键词分别是“Database”、“Dataset” 和 “Profiles”。那么，查找数据时究竟要看哪个呢？这三者之间有什么区别呢？

其实，第一条结果对应的是GEO数据库的首页，如下图，GEO数据库的首页主要可分为4个版块。

版块①对应的是GEO数据库相关的使用教程，例如我们可以点击相应的链接查看Dataset、Profiles、GEO2R的说明文档；版块②对应GEO数据库相关的各种小工具；版块③对应GEO数据库目前现有的数据量，如当前包含数据集（Series）173,572个（其中经过GEO工作人员精心挑选的Datasets有4,348个），样本5,004,163个；版块④对应的是GEO数据库数据上传相关的说明信息。

至于上面提到的 “Dataset” 和 “Profiles”链接，我们可以将它们看作GEO数据库的两个数据组织方式各不相同的子数据库，在NCBI首页的Databases选择列表中我们也可以看到它们，如下图。

GEO数据库的数据主要由Platform（平台）、Samples（样本）和Series（系列）三个层级组成。三者相互交叉链接，我们一般只需到Series层级对应的页面下载表达谱数据即可。

Series主要记录当前数据集包含的所有样本基因表达量信息，是我们查看和下载数据的“主页”。而Samples主要记录单个样本的表达量信息，可以视作Series层级下的子层级。

Platform则主要记录数据获取平台对应的信息，如基因表达芯片、二代测序平台的信息等。当我们下载的数据集是芯片数据，我们可以下载对应的GPL文件，获取探针id与gene id（如symbol号）的一一对应关系表。但如果是二代测序数据，就没必要深入探究了。

我们查找数据时，只需在GEO Datasets数据库搜索关键词即可，比如我这里搜索“breast cancer”相关的数据集，如下图。如果使用多个关键词进行条件限定，可以用单词AND联接。

当然，在查找结果页面中，我们也可以在版块①②中进一步过滤查询结果，也可以在版块③中修改检索式，进一步搜索数据，如下图。

而在海量的Series数据集中，有一部分（主要是芯片数据）是由GEO工作人员挑选出来处理过的数据集，分别以“Dataset” 和 “Profiles”两种方式存放数据。在版块①中点击DataSets即可得到这部分数据（155个），如下图。Dataset数据集的特点是每条记录的右侧有一个热图。

在每条记录的下方有PubMed、Full text in PMC、Similar studies、GEO Profiles 以及Analyze DataSet共5个链接，点击Analyze DataSet（或者右侧的热图）可进入当前数据集的分析页面，如下图。

而点击GEO Profiles则可以进入当前数据集对应的Profiles页面，每一条记录对应一个基因在不同样本（这里共12个样本）的表达情况，以柱状图的形式展示，如下图。

对于非“Dataset”数据，点击查找记录标题进入Series页面后即可查看和下载数据，如下。

好啦，今天的分享就到这里啦！

参考资料

https://ncbi.nlm.nih.gov/geo/info/overview.html

# SCIPainter

基迪奥旗下绘图公众号

分享科研绘图技能与工具

欢迎关注与转发~

你的好友拍了拍你

并请你帮她点一下“分享”~