十几个GSE数据要下载
尉迟远
十几个GSE数据要下载
问题
为了筹备GEO更高级的课程，老板丢过来十几个带坑的GSE数据让我分析。第一步当然是下载数据，众所周知GEO慢得要死，不想等，所以就想有个循环，运行上让他慢慢下载，我可以一边玩去。
任务丢过来长这样：
E-MEXP-1422（找不到探针id）/ GSE474/
E-MTAB-3017（找不到探针id）/ GSE58979-NASH（从临床信息中找不到有用的分组信息/
GSE1462/ GSE59045/
GSE18732（探针id转换问题）/ GSE60291/
GSE20950/ GSE62832（不显著，可能需要重新分组）/
GSE21785/ GSE70529（可能需要重新分组）/
GSE26526/ GSE72158（FC太小）/
GSE32575（阈值需要调整）/ illuminaHGv4/
GSE43837/ MsigDB/
这些都要下载，首先是不是要先提取出来要下载的GSE编号呢？然后写个循环就得了。
第一步：提取所有GSE编号
x = "E-MEXP-1422（找不到探针id）/ GSE474/
E-MTAB-3017（找不到探针id）/ GSE58979-NASH（从临床信息中找不到有用的分组信息/
GSE1462/ GSE59045/
GSE18732（探针id转换问题）/ GSE60291/
GSE20950/ GSE62832（不显著，可能需要重新分组）/
GSE21785/ GSE70529（可能需要重新分组）/
GSE26526/ GSE72158（FC太小）/
GSE32575（阈值需要调整）/ illuminaHGv4/
GSE43837/ MsigDB/"
library(stringr)
x2 = str_split(x,"/")%>% unlist()
x2
## [1] "E-MEXP-1422（找不到探针id）"
## [2] " GSE474"
## [3] "\nE-MTAB-3017（找不到探针id）"
## [4] " GSE58979-NASH（从临床信息中找不到有用的分组信息"
## [5] "\nGSE1462"
## [6] " GSE59045"
## [7] "\nGSE18732（探针id转换问题）"
## [8] " GSE60291"
## [9] "\nGSE20950"
## [10] " GSE62832（不显著，可能需要重新分组）"
## [11] "\nGSE21785"
## [12] " GSE70529（可能需要重新分组）"
## [13] "\nGSE26526"
## [14] " GSE72158（FC太小）"
## [15] "\nGSE32575（阈值需要调整）"
## [16] " illuminaHGv4"
## [17] "\nGSE43837"
## [18] " MsigDB"
## [19] ""
x2 = str_replace_all(x2,c("\n"," "),"")
x2
## [1] "E-MEXP-1422（找不到探针id）"
## [2] "GSE474"
## [3] "E-MTAB-3017（找不到探针id）"
## [4] "GSE58979-NASH（从临床信息中找不到有用的分组信息"
## [5] "GSE1462"
## [6] "GSE59045"
## [7] "GSE18732（探针id转换问题）"
## [8] "GSE60291"
## [9] "GSE20950"
## [10] "GSE62832（不显著，可能需要重新分组）"
## [11] "GSE21785"
## [12] "GSE70529（可能需要重新分组）"
## [13] "GSE26526"
## [14] "GSE72158（FC太小）"
## [15] "GSE32575（阈值需要调整）"
## [16] "illuminaHGv4"
## [17] "GSE43837"
## [18] "MsigDB"
## [19] ""
x2 = x2[str_starts(x2,"GSE")]
x2
## [1] "GSE474"
## [2] "GSE58979-NASH（从临床信息中找不到有用的分组信息"
## [3] "GSE1462"
## [4] "GSE59045"
## [5] "GSE18732（探针id转换问题）"
## [6] "GSE60291"
## [7] "GSE20950"
## [8] "GSE62832（不显著，可能需要重新分组）"
## [9] "GSE21785"
## [10] "GSE70529（可能需要重新分组）"
## [11] "GSE26526"
## [12] "GSE72158（FC太小）"
## [13] "GSE32575（阈值需要调整）"
## [14] "GSE43837"
x3 = str_split(x2,"（",simplify = T)
x4 = as.character(x3[,1])
x4
## [1] "GSE474" "GSE58979-NASH" "GSE1462" "GSE59045"
## [5] "GSE18732" "GSE60291" "GSE20950" "GSE62832"
## [9] "GSE21785" "GSE70529" "GSE26526" "GSE72158"
## [13] "GSE32575" "GSE43837"
x4 = str_replace(x4,"-NASH","")
x4
## [1] "GSE474" "GSE58979" "GSE1462" "GSE59045" "GSE18732" "GSE60291"
## [7] "GSE20950" "GSE62832" "GSE21785" "GSE70529" "GSE26526" "GSE72158"
## [13] "GSE32575" "GSE43837"
第二步：写for循环下载
library(GEOquery)
bg = list()
for (i in 1:length(x4)){
bg[[i]] <- getGEO(x4[[i]], #系列编号
destdir = '.', #当前目录
getGPL = F)
}
names(bg) = x4
dir(pattern = ".gz")
# [1] "GSE1462_series_matrix.txt.gz" "GSE18732_series_matrix.txt.gz"
# [3] "GSE20950_series_matrix.txt.gz" "GSE21785_series_matrix.txt.gz"
# [5] "GSE26526_series_matrix.txt.gz" "GSE32575_series_matrix.txt.gz"
# [7] "GSE43837_series_matrix.txt.gz" "GSE474_series_matrix.txt.gz"
# [9] "GSE58979_series_matrix.txt.gz" "GSE59045_series_matrix.txt.gz"
# [11] "GSE60291_series_matrix.txt.gz" "GSE62832_series_matrix.txt.gz"
# [13] "GSE70529_series_matrix.txt.gz" "GSE72158_series_matrix.txt.gz"
save(bg,file = "bg.Rdata")
这样就把所有要用的数据存在了bg这个列表里面，等用到的时候单个提取就可以了。
需要注意数据下载的完整性！数据不完整将会导致一系列的诡异错误。
网好的时候刷刷刷就下完了，网不好的话，嗯你懂的，出现不完整的数据，需要删掉已下载的数据，再重新下载，getGEO函数自带判断，本地没有.gz文件，才会去网页下载！所以重新下载时就重复运行for循环即可。至于下的顺利不顺利呢，还也就行吧，第一次有几个没下完整，删掉重下，加起来一两个小时吧。
致敬大佬：https://www.yuque.com/xiaojiewanglezenmofenshen/kzgwzl/cfxd1t
类似资料：