从零开始写生信分析

# 从零开始做生信分析（一）：选题、数据下载与预处理

## 一、R软件安装

R是生信分析的核心工具，下载地址：https://cran.r-project.org/

Windows用户下载后运行安装程序即可。安装完成后，建议同时安装RStudio（https://posit.co/download/rstudio/），这是R的图形化界面，操作更便捷。

首次使用前，在RStudio控制台安装生信分析所需包：

“`r
install.packages(c(“GEOquery”, “limma”, “clusterProfiler”, “org.Mm.eg.db”))
“`

—按照生信课的意思是都安装到一个文件夹中。

## 二、选题与研究设计

生信分析的第一步是明确研究问题。以阻塞性睡眠呼吸暂停（OSA）为例，可以提出科学假设：慢性间歇性低氧（IH）是否通过特定通路导致认知障碍？

选题原则：
– **聚焦临床问题**：OSA相关认知障碍是常见临床难题
– **有公共数据支持**：GEO数据库中有多个IH相关数据集
– **可结合湿实验验证**：生信结果需后续动物实验验证

—

## 三、GEO数据库数据下载

GEO（Gene Expression Omnibus）是全球最大的基因表达公共数据库。进入https://www.ncbi.nlm.nih.gov/geo/，搜索关键词如”intermittent hypoxia cognitive impairment”，可找到相关数据集。

以GSE299437为例：
“`r
library(GEOquery)
gse299437 <- getGEO(“GSE299437”, AnnotGPL = TRUE, getGPL = TRUE)
gse299437 <- gse299437[[1]]
“`

下载后，通过`exprs()`获取表达矩阵，`pData()`获取样本信息。

—生信课上以可视化操作为主，还是很方便。

## 四、数据预处理

原始数据需预处理后才能进行差异分析：

**1. 质量控制**：检查样本表达量分布，剔除异常样本

**2. 缺失值处理**：可用`na.omit()`或插值法填补

**3. 归一化**：去除批次效应，使样本间可比较

“`r
# 归一化（log2转换）
expr_normalized <- log2(exprs(gse299437) + 1)

# 分组信息
group <- ifelse(grepl(“CIH”, pData(gse299437)$title), “CIH”, “NC”)
“`

**4. 过滤低表达基因**：保留在多数样本中表达的基因

预处理是整个分析的基础，数据质量决定结果的可信度，需认真对待。

—

*下一篇将从差异分析、GO/KEGG富集分析继续讲解生信实战技巧。*