大数据系列-找差异分子案例操作实践（四）

之前的课程中，我们通过数据库拿到了免费的数据，今天我们就开始分析它们了，这个过程就叫做“数据挖掘”。

首先介绍下基因芯片软件和工具。基因芯片分析一般对硬件要求不高，普通的PC机就能运行，但如果处理较多的数据量时，建议提高内存，如果拥有16g内存和i7的处理器基本就能快速运行所有分析了。目前基因芯片的分析工具很多，但各有优缺点。根据难易程度推荐以下三款软件和工具。

GeneSpring 

优点：互动式的视窗操作界面，傻瓜式操作，功能强大，拥有超过4400篇的高水平参考文献的引用，表达谱数据分析的金标准。

缺点：商业软件收费，操作繁琐，功能拓展性差。如同SPSS一样，适用于零基础的鞋同。

.BRB-Array 

 优点：基于excel的分析工具，自动调用R包，功能强大，拓展性强，操作简单，免费使用。

缺点：专业性强，格式要求高，稍有不符就报错。适用于有一定基础且对英文说明书研究要透彻。

R—Bioconductor

优点：R语言，生信必学的分析工具，强大的统计分析和作图工具，集合了几乎所有和最新的分析算法和工具包，任你免费调用。

缺点：对于拥有安装某个R包就研究几天经历的鞋童们就不用多说了吧！

那么便于零基础的鞋童这里采用GeneSpring进行分析。我们以上次讲到的GSE15765为例90个样本，从cel文件开始分析。

GeneSpring界面

新建项目，命名。

新建实验，命名。

选择芯片平台，即哪家公司的哪类产品。

选择高级分析，点击ok。

选择文件，导入cel文件。

输入arr文件，不用输入跳过这步点next。

选择算法，从还原文献中得知采用RMA。一般选择中位数作为基线。

点击完成后，运行。最终生成了一个22277个探针*90个样本的矩阵格式形式了。

接下来就是导入平台注释文件，告诉你这些探针号代表的基因是什么。

导入对应的上期所讲的平台注释txt文件。

记得打开它，把多余的标题删除，保持也是矩阵形式。

选择你要匹配的id和注释的信息。根据文献，我们就选择ID，Gene Symbol，ENTREZ_GENE_ID和Gene Title。当然也可以选择更多信息来注释你的探针。

这样就完成注释了。

最后就是要输入样本的分组信息。只有知道样本的分组信息才能进行统计，没有比较就没有差异。

添加一个分组变量，命名type，非数值型。

根据实验分组信息，对具体样本编号进行hcc，hcc-icc，icc分组。

然后点击create interpretation来进一步描述统计目的。

选择不连续变量。

选择包含三个分组，取均值。

产生了三组的图谱。可以指针悬停看什么基因。

接下来是统计，可以进行三组检验的各种统计分析。

如果只想进行两组（例如hcc和icc）的检验。那么重新create interpretation，只选择hcc和icc。这里举例hcc和icc，用非配对的t检验。

根据你不同的目的选择不同的统计方法。

设定p值的阈值。

筛选出14633个探针，p<0.05。

接下来再根据差异倍数进一步筛选。

选择HCC v ICC。

选择2倍差异阈值。

总共4151个探针，至少两倍差异，p<0.05被筛选出来了。

右击鼠标导出数据。

打开txt，就得到最终的详细列表。

最后可以通过txt导入excel，进一步整理成发表论文的表格，这样就大功告成了。

这期就到这里了，下期将进一步实现如何把不同类型的芯片数据集整合在一起，即还原文献中以下这段过程。

关于GeneSpring的安装下载，可从官网机构邮箱注册获得，可以免费试用7天

本期也有几提问:

1. 如果数据集没有cel格式的原始数据，只有矩阵文本是否能用GeneSpring来统计分析差异？怎么操作？
2. GeneSpring还能做哪些分析？怎么操作？

作者简介

赵忻艺，FS数据挖掘主编，将大数据应用于医学科研，主要包括临床医学数据的挖掘、收集、整理和利用（标准化和科学化的数据库），医学分子大数据的整理、利用及研究（基因、蛋白及代谢）。特别针对肿瘤个体化的基因测序和数据快速处理，寻找个体化的分子标志物、药物靶标和治疗方案。目前，已建立浙大大数据挖掘团队，旨在降低研究者学习大数据的门槛，推动大数据共享与研究协作，发表更高质量的研究成果，为科研决策提供精准的预测和实验证据。

联系猴哥

E-mail：[e-mail]

QQ：65498065

长按识别左边二维码关注公众号