## tinyarray包可用于多样本的差异分析#1.获取数据gse = "GSE7476"geo = geo_download(gse)#2.分组信息Group = c(rep("CTRL",times = 3),rep("TaGL",times = 3),rep("T1GH",times = 3),rep("T2-4",times = 3))Group = factor(Group,levels = c("CTRL","TaGL","T1GH","T2-4"))#3.探针信息library(tinyarray)# find_anno(gpl_number)ids <- AnnoProbe::idmap('GPL570')ids = ids[!duplicated(ids$symbol),] #去除ids中重复的探针dcp = get_deg_all(geo$exp,Group,ids,symmetry = T,logFC_cutoff = 1 ,cluster_cols = F,entriz = F)dcp$plots
在实际操作过程中，只需要更改GSE序列号，GPL平台号和分组信息，就可以实现对GEO芯片数据和常规转录组测序数据的快速分析。GSE7476是我们经常使用的示例数据，文章2009年发表在Journal of Urology杂志，题为DNA microarray expression profiling of bladder cancer allows identification of noninvasive diagnostic markers。
Journal of Urology是泌尿学与肾脏学领域期刊，是美国泌尿外科协会AUA的官方期刊，涵盖广泛的泌尿学领域，包括：泌尿肿瘤学、肾移植以及男性不育等泌尿系统常见疾病。该期刊属于JCR1区，中科院1区top；可选择OA模式，免审稿费；审稿周期约73天左右；自引率低！不过，该期刊似乎更倾向于临床试验研究，对生信论文不友好。
从自行分析和文章展示的结果来看，这个芯片数据的质量还是不错的。为什么质量高呢？肿瘤和非肿瘤样本：分别聚类，界限明确；热图表达谱可以看到表达特征组内相似，组间相异；PCA区分别聚类。推荐相关专业的果友，用该数据集进行二次数据挖掘。
