# geo数据库分析

**Repository Path**: tc-chenyu/geo-database-analysis

## Basic Information

- **Project Name**: geo数据库分析
- **Description**: 基于geo数据库的挖掘和后续的生物信息学分析
- **Primary Language**: Unknown
- **License**: GPL-3.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2025-09-24
- **Last Updated**: 2025-09-26

## Categories & Tags

**Categories**: Uncategorized

**Tags**: 生物信息学, geo, 数据挖掘

## README

 **一、项目概述** 

本项目是一套基于R语言的GEO公共数据集挖掘标准化流程，覆盖从 “数据下载→预处理→差异分析→功能富集→可视化→机器学习验证” 的全链路分析。
核心目标：
通过模块化脚本即可完成科研级分析；
固定依赖包版本、记录关键参数，确保不同用户用相同数据集可获一致结果；
输出的差异基因列表、富集图、ROC 曲线等可直接用于论文写作或实验设计。

 **二、技术栈与环境配置** 

2.1 核心技术栈

数据获取	GEOquery、AnnoProbe	
数据预处理	limma、dplyr、tibble	
差异表达分析	limma（芯片）、DESeq2（RNA-seq）	
功能富集分析	clusterProfiler、org.Hs.eg.db	
可视化	ggplot2、pheatmap、enrichplot	
机器学习验证	pROC、caret	
结果输出	readr、openxlsx	

2.2 环境配置步骤

（1）安装基础软件
推荐版本：R ≥ 4.2.0、RStudio ≥ 2022.12.0（可视化操作更便捷）
下载地址：
R：https://cran.r-project.org/
RStudio：https://www.rstudio.com/products/rstudio/download/
（2）一键安装依赖包
运行项目根目录下的 install_dependencies.R 脚本，自动安装所有必需包（含国内镜像加速）：
 
**三、数据说明** 

3.1数据目录结构
项目数据目录（./data/）按 “原始数据→中间结果→最终结果” 分层存储，结构清晰：

```
./data/
├── raw/                # 原始数据
│   └── GSE43292_eSet.Rdata  # GEO 下载的原始 eSet 对象（含表达矩阵+样本信息）
├── processed/          # 预处理后数据
│   ├── expression_matrix.csv  # 标准化后的基因表达矩阵（行：基因名，列：样本ID）
│   └── sample_info.csv        # 样本临床信息（含分组：Plaque/Normal）
└── results/            # 分析结果
    ├── diff_all_genes.csv     # 所有基因的差异分析结果
    ├── diff_sig_genes.csv     # 显著差异基因列表（adj.P.Val < 0.05 & |logFC| > 1）
    └── go_kegg_results.xlsx   # GO/KEGG 富集分析结果（含 BP/CC/MF/KEGG 四个工作表）
```

3.2数据预处理规范
所有数据集均经过以下标准化处理，确保分析可靠性；
缺失值处理：剔除缺失率 > 20% 的探针 / 基因；
表达量标准化：芯片数据用 limma::normalizeBetweenArrays() 做 quantile 标准化，消除样本间技术差异；
探针 ID 转换：通过芯片平台注释文件（如 GPL570）将探针 ID 转为基因 Symbol，多探针对应同一基因时取表达量均值；
分组验证：从样本临床信息（pData() 提取）中提取分组变量，用 table() 验证分组平衡（如 12 vs 12），避免样本偏倚。
 
**四、核心功能与分析流程** 

4.1 流程总览
项目代码按 “模块化 + 流水线” 设计，每个脚本对应一个分析步骤，可按顺序执行（推荐），也可单独运行某一模块。
```
graph TD
    A[01_数据下载] --> B[02_数据预处理]
    B --> C[03_探索性分析]
    C --> D[04_差异表达分析]
    D --> E[05_功能富集分析]
    D --> F[06_机器学习验证]
    E --> G[07_结果可视化与导出]
    F --> G
```