GEOデータベースからRNA-seqデータを取得してみたいと思いませんか？
GEOデータベースからRNA-seqデータを取得し、サンプル情報を整理する方法について解説します。公共データベースから既存の実験データを取得して再解析したい時や、自身の研究データと比較したい時に使用します。GEOデータベースの基本的な使い方のうち、データの検索方法、カウントデータの直接取得、メタデータの取得と整理までを扱います。GEOから効率的にRNA-seqデータを取得できるようになり、既存の実験データを活用した研究が可能になります。また、Rを使ったメタデータの取得・整理方法を学ぶことで、大規模なデータセットの管理が容易になります。ぜひ挑戦しましょう。
Tested Environment
macOS Monterey (12.4), Quad-Core Intel Core i7, Memory 32GB GEOquery 2.74.0
公共データを用いたSingle Cell RNA-seq解析に関する初心者向け技術書を販売中
プログラミング初心者でも始められるわかりやすい解説！
RとSeuratで始めるSingle Cell RNA-seq解析！
公共データを用いたシングルセル ダイナミクス解析に関する初心者向け技術書を販売中
シングルセルデータの高度な解析であるTrajectory解析、RNA Velocity解析、空間トランスクリプトーム解析が環境構築方法から詳しく解説されています！
GEOデータベースとは
Gene Expression Omnibus(GEO)は、米国国立生物工学情報センター(NCBI)が運営する公共データベースであり、遺伝子発現データや関連する生物学的データの保存と提供を行っています。GEOは、マイクロアレイ、RNA-Seq、ChIP-Seqなど、さまざまな高スループット実験技術によって得られた遺伝子発現プロファイルを収集・保存しています。
GEOを使えばほしいRNA-seqデータを探すことができるのでやってみましょう。
ブラウザからGEOを使って好きなキーワードでRNA-seqデータを探す方法
GEOのトップページの右の検索バーに探したいキーワードで探します。今回は試しに「lung cancer」と打ち込んでください。
すると、検索バーのすぐ下にresultsが出てきます。GEO DataSets Databaseの方をつかいたいため、上の方の数値をクリックしましょう。
検索結果が出てきたら、左サイドバーのCustomize…をクリックし、Study Typeを出現させます。その中で「Expression profiling high throughtput sequencing」にチェックをいれて「show」を押しましょう。
この時点でNGSのデータだけに絞られます。しかしながら今の状態だとシングルセルRNA-seqデータやChip-seqデータなども一緒に出てきてしまうため、検索ワードを以下に変えてみましょう。
# 検索ワード
lung cancer and "rna-seq"
すると、RNA-seqデータだけがソートできます。今回は練習として Identification of resistance mechanisms to small-molecule inhibition of YAP/TEAD-regulated transcriptionをクリックしてみてください。
少し下にスクロールすると「SRA Run Selector」というリンクがあるのでクリックしてください。
下にスクロールするとテーブルがあり、Runという列にSRRで始まる番号が記載されています。こちらのSRR番号をダウンロードに使います。
実際のダウンロードは後ほど詳しく解説していきます。この章では、RNA-seqデータがどのように保存されていて利用できるのかを覚えておいてください。
Rを使ってGEOから直接カウントデータを取得
Rを使ってGEOから直接カウントデータを取得する方法を説明します。多くの場合、GEOには解析済みのカウントデータが公開されています。今回、GSE141413をダウンロードしてみます。
https://www.omicsdi.org/dataset/geo/GSE141413
# GEOからカウントデータを取得
gse <- getGEO("GSE141413", GSEMatrix = FALSE)
# カウントデータを含む補足ファイルをダウンロード
supp_dir <- "data/geo_suppl"
dir.create(supp_dir, recursive = TRUE, showWarnings = FALSE)
count_file <- getGEOSuppFiles("GSE141413", baseDir = supp_dir, makeDirectory = FALSE)
# ダウンロードしたカウントデータを読み込む
counts_path <- file.path(supp_dir, "GSE141413_gene_count.txt.gz")
counts_data <- read.delim(counts_path, header = TRUE)
head(counts_data)
# 出力
Control NC_LM st2_LM IFNG st2_IFNG gene_name gene_chr gene_start
ENSMUSG00000069516 2127383 504536 557353 528938 61322 Lyz2 10 117277331
ENSMUSG00000024661 2036671 561460 301334 328896 135545 Fth1 19 9982703
ENSMUSG00000029816 161502 245941 454979 437381 195531 Gpnmb 6 49036546
ENSMUSG00000007891 641791 107244 326051 347932 81647 Ctsd 7 142375911
ENSMUSG00000021939 210418 165715 397984 389062 148862 Ctsb 14 63122462
ENSMUSG00000004207 157493 121549 389289 373691 108034 Psap 10 60277627
gene_end gene_strand gene_length gene_biotype
ENSMUSG00000069516 117282321 - 1316 protein_coding
ENSMUSG00000024661 9985092 + 866 protein_coding
ENSMUSG00000029816 49070929 + 6514 protein_coding
ENSMUSG00000007891 142388038 - 2351 protein_coding
ENSMUSG00000021939 63145923 + 6051 protein_coding
ENSMUSG00000004207 60302597 + 2744 protein_coding
gene_description
ENSMUSG00000069516 lysozyme 2 [Source:MGI Symbol;Acc:MGI:96897]
ENSMUSG00000024661 ferritin heavy polypeptide 1 [Source:MGI Symbol;Acc:MGI:95588]
ENSMUSG00000029816 glycoprotein (transmembrane) nmb [Source:MGI Symbol;Acc:MGI:1934765]
ENSMUSG00000007891 cathepsin D [Source:MGI Symbol;Acc:MGI:88562]
ENSMUSG00000021939 cathepsin B [Source:MGI Symbol;Acc:MGI:88561]
ENSMUSG00000004207 prosaposin [Source:MGI Symbol;Acc:MGI:97783]
tf_family
ENSMUSG00000069516 -
ENSMUSG00000024661 -
ENSMUSG00000029816 -
ENSMUSG00000007891 -
ENSMUSG00000021939 -
ENSMUSG00000004207 -
Rを使ってGEOからのメタデータ取得
Rを使ってGEOからメタデータを取得して、データセットの概要を把握してみましょう。
# GEOqueryパッケージを読み込む
library(GEOquery)
# GSE141413のデータセット情報を取得
gse <- getGEO("GSE141413", GSEMatrix = TRUE)
gse
# 出力
$GSE141413_series_matrix.txt.gz
ExpressionSet (storageMode: lockedEnvironment)
assayData: 0 features, 5 samples
element names: exprs
protocolData: none
phenoData
sampleNames: GSM4202491 GSM4202492 ... GSM4202495 (5 total)
varLabels: title geo_accession ... treatment:ch1 (47 total)
varMetadata: labelDescription
featureData: none
experimentData: use 'experimentData(object)'
Annotation: GPL24247
取得したデータセット情報から、実験の詳細やサンプル情報を確認できます。
# 実験の詳細情報
exp_info <- experimentData(gse[[1]])
exp_info@name
exp_info@title
exp_info@abstract
# サンプル情報の確認
sample_info <- pData(phenoData(gse[[1]]))
head(sample_info)
# 出力
title geo_accession status submission_date
GSM4202491 macrophages, control GSM4202491 Public on Jan 01 2022 Dec 04 2019
GSM4202492 macrophages, NC_LM GSM4202492 Public on Jan 01 2022 Dec 04 2019
GSM4202493 macrophages, siTet2_LM GSM4202493 Public on Jan 01 2022 Dec 04 2019
GSM4202494 macrophages, IFNγ GSM4202494 Public on Jan 01 2022 Dec 04 2019
GSM4202495 macrophages, siTet2_IFNγ GSM4202495 Public on Jan 01 2022 Dec 04 2019
last_update_date type channel_count source_name_ch1 organism_ch1
GSM4202491 Jan 01 2022 SRA 1 macrophage Mus musculus
GSM4202492 Jan 01 2022 SRA 1 macrophage Mus musculus
GSM4202493 Jan 01 2022 SRA 1 macrophage Mus musculus
GSM4202494 Jan 01 2022 SRA 1 macrophage Mus musculus
GSM4202495 Jan 01 2022 SRA 1 macrophage Mus musculus
characteristics_ch1 characteristics_ch1.1 characteristics_ch1.2
GSM4202491 cell type: macrophage age: 6-8 weeks strain: C57BL/6
GSM4202492 cell type: macrophage age: 6-8 weeks strain: C57BL/6
GSM4202493 cell type: macrophage age: 6-8 weeks strain: C57BL/6
GSM4202494 cell type: macrophage age: 6-8 weeks strain: C57BL/6
GSM4202495 cell type: macrophage age: 6-8 weeks strain: C57BL/6
characteristics_ch1.3 characteristics_ch1.4
GSM4202491 genotype: wild type treatment: control
GSM4202492 genotype: wild type treatment: si-NC followed by 12 h LM infection
GSM4202493 genotype: wild type treatment: si-Tet2 followed by 12 h LM infection
GSM4202494 genotype: wild type treatment: si-NC followed by 12 h IFN-γ stimulation
GSM4202495 genotype: wild type treatment: si-Tet2 followed by 12 h IFN-γ stimulation
growth_protocol_ch1
GSM4202491 PMs were generated on DMEM medium supplemented with 10% Gibico FBS and Penicillin-Streptomycin
GSM4202492 PMs were generated on DMEM medium supplemented with 10% Gibico FBS and Penicillin-Streptomycin
GSM4202493 PMs were generated on DMEM medium supplemented with 10% Gibico FBS and Penicillin-Streptomycin
GSM4202494 PMs were generated on DMEM medium supplemented with 10% Gibico FBS and Penicillin-Streptomycin
GSM4202495 PMs were generated on DMEM medium supplemented with 10% Gibico FBS and Penicillin-Streptomycin
molecule_ch1
GSM4202491 total RNA
GSM4202492 total RNA
GSM4202493 total RNA
GSM4202494 total RNA
GSM4202495 total RNA
extract_protocol_ch1
GSM4202491 Peritoneal perfusion to collect mice PMs,and RNA was harvested by using Trizol reagent
GSM4202492 Peritoneal perfusion to collect mice PMs,and RNA was harvested by using Trizol reagent
GSM4202493 Peritoneal perfusion to collect mice PMs,and RNA was harvested by using Trizol reagent
GSM4202494 Peritoneal perfusion to collect mice PMs,and RNA was harvested by using Trizol reagent
GSM4202495 Peritoneal perfusion to collect mice PMs,and RNA was harvested by using Trizol reagent
extract_protocol_ch1.1
GSM4202491 RNA libraries were prepared for sequencing using standard Illumina protocols
GSM4202492 RNA libraries were prepared for sequencing using standard Illumina protocols
GSM4202493 RNA libraries were prepared for sequencing using standard Illumina protocols
GSM4202494 RNA libraries were prepared for sequencing using standard Illumina protocols
GSM4202495 RNA libraries were prepared for sequencing using standard Illumina protocols
taxid_ch1 description data_processing
GSM4202491 10090 Control Basecalls performed using CASAVA
GSM4202492 10090 NC_LM Basecalls performed using CASAVA
GSM4202493 10090 st2_LM Basecalls performed using CASAVA
GSM4202494 10090 IFNG Basecalls performed using CASAVA
GSM4202495 10090 st2_IFNG Basecalls performed using CASAVA
data_processing.1
GSM4202491 Paired-end clean reads were aligned to the reference genome using Hisat2 v2.0.5 with reference genome and gene model annotation files were downloaded from genome website directly and index of the reference genome was built using Hisat2 v2.0.5
GSM4202492 Paired-end clean reads were aligned to the reference genome using Hisat2 v2.0.5 with reference genome and gene model annotation files were downloaded from genome website directly and index of the reference genome was built using Hisat2 v2.0.5
GSM4202493 Paired-end clean reads were aligned to the reference genome using Hisat2 v2.0.5 with reference genome and gene model annotation files were downloaded from genome website directly and index of the reference genome was built using Hisat2 v2.0.5
GSM4202494 Paired-end clean reads were aligned to the reference genome using Hisat2 v2.0.5 with reference genome and gene model annotation files were downloaded from genome website directly and index of the reference genome was built using Hisat2 v2.0.5
GSM4202495 Paired-end clean reads were aligned to the reference genome using Hisat2 v2.0.5 with reference genome and gene model annotation files were downloaded from genome website directly and index of the reference genome was built using Hisat2 v2.0.5
data_processing.2
GSM4202491 The reads numbers mapped to each gene were counted using featureCounts v1.5.0-p3, and FPKM of each gene was calculated based on the length of the gene and reads count mapped to this gene
GSM4202492 The reads numbers mapped to each gene were counted using featureCounts v1.5.0-p3, and FPKM of each gene was calculated based on the length of the gene and reads count mapped to this gene
GSM4202493 The reads numbers mapped to each gene were counted using featureCounts v1.5.0-p3, and FPKM of each gene was calculated based on the length of the gene and reads count mapped to this gene
GSM4202494 The reads numbers mapped to each gene were counted using featureCounts v1.5.0-p3, and FPKM of each gene was calculated based on the length of the gene and reads count mapped to this gene
GSM4202495 The reads numbers mapped to each gene were counted using featureCounts v1.5.0-p3, and FPKM of each gene was calculated based on the length of the gene and reads count mapped to this gene
data_processing.3
GSM4202491 Genome_build: mm10
GSM4202492 Genome_build: mm10
GSM4202493 Genome_build: mm10
GSM4202494 Genome_build: mm10
GSM4202495 Genome_build: mm10
data_processing.4
GSM4202491 Supplementary_files_format_and_content: The processed data file contains abundance measurements of different genes
GSM4202492 Supplementary_files_format_and_content: The processed data file contains abundance measurements of different genes
GSM4202493 Supplementary_files_format_and_content: The processed data file contains abundance measurements of different genes
GSM4202494 Supplementary_files_format_and_content: The processed data file contains abundance measurements of different genes
GSM4202495 Supplementary_files_format_and_content: The processed data file contains abundance measurements of different genes
platform_id contact_name contact_email contact_institute
GSM4202491 GPL24247 xu,,li lixu@westlake.edu.cn westlake university
GSM4202492 GPL24247 xu,,li lixu@westlake.edu.cn westlake university
GSM4202493 GPL24247 xu,,li lixu@westlake.edu.cn westlake university
GSM4202494 GPL24247 xu,,li lixu@westlake.edu.cn westlake university
GSM4202495 GPL24247 xu,,li lixu@westlake.edu.cn westlake university
contact_address contact_city contact_state contact_zip/postal_code
GSM4202491 shilongshan street 18# hangzhou zhejiang province 310000
GSM4202492 shilongshan street 18# hangzhou zhejiang province 310000
GSM4202493 shilongshan street 18# hangzhou zhejiang province 310000
GSM4202494 shilongshan street 18# hangzhou zhejiang province 310000
GSM4202495 shilongshan street 18# hangzhou zhejiang province 310000
contact_country data_row_count instrument_model library_selection
GSM4202491 China 0 Illumina NovaSeq 6000 cDNA
GSM4202492 China 0 Illumina NovaSeq 6000 cDNA
GSM4202493 China 0 Illumina NovaSeq 6000 cDNA
GSM4202494 China 0 Illumina NovaSeq 6000 cDNA
GSM4202495 China 0 Illumina NovaSeq 6000 cDNA
library_source library_strategy
GSM4202491 transcriptomic RNA-Seq
GSM4202492 transcriptomic RNA-Seq
GSM4202493 transcriptomic RNA-Seq
GSM4202494 transcriptomic RNA-Seq
GSM4202495 transcriptomic RNA-Seq
relation
GSM4202491 BioSample: <https://www.ncbi.nlm.nih.gov/biosample/SAMN13476496>
GSM4202492 BioSample: <https://www.ncbi.nlm.nih.gov/biosample/SAMN13476495>
GSM4202493 BioSample: <https://www.ncbi.nlm.nih.gov/biosample/SAMN13476494>
GSM4202494 BioSample: <https://www.ncbi.nlm.nih.gov/biosample/SAMN13476493>
GSM4202495 BioSample: <https://www.ncbi.nlm.nih.gov/biosample/SAMN13476492>
relation.1 supplementary_file_1
GSM4202491 SRA: <https://www.ncbi.nlm.nih.gov/sra?term=SRX7264639> NONE
GSM4202492 SRA: <https://www.ncbi.nlm.nih.gov/sra?term=SRX7264640> NONE
GSM4202493 SRA: <https://www.ncbi.nlm.nih.gov/sra?term=SRX7264641> NONE
GSM4202494 SRA: <https://www.ncbi.nlm.nih.gov/sra?term=SRX7264642> NONE
GSM4202495 SRA: <https://www.ncbi.nlm.nih.gov/sra?term=SRX7264643> NONE
age:ch1 cell type:ch1 genotype:ch1 strain:ch1
GSM4202491 6-8 weeks macrophage wild type C57BL/6
GSM4202492 6-8 weeks macrophage wild type C57BL/6
GSM4202493 6-8 weeks macrophage wild type C57BL/6
GSM4202494 6-8 weeks macrophage wild type C57BL/6
GSM4202495 6-8 weeks macrophage wild type C57BL/6
treatment:ch1
GSM4202491 control
GSM4202492 si-NC followed by 12 h LM infection
GSM4202493 si-Tet2 followed by 12 h LM infection
GSM4202494 si-NC followed by 12 h IFN-γ stimulation
GSM4202495 si-Tet2 followed by 12 h IFN-γ stimulation
このままだと見づらいため、解析に必要なサンプル情報を整理します。
# 必要な列のみを抽出
samples <- data.frame(
sample_id = sample_info$geo_accession,
title = sample_info$title,
group = ifelse(grepl("siTET2", sample_info$title), "siTET2", "siControl"),
sra_id = gsub(".*(SR[AX]\\\\\\\\d+).*", "\\\\\\\\1", sample_info$relation.1),
row.names = sample_info$geo_accession
)
samples$sra_id <- gsub("SRA: ", "", samples$sra_id)
# サンプル情報の確認
print(samples)
# 出力
sample_id title group sra_id
GSM4202491 GSM4202491 macrophages, control siControl SRX7264639
GSM4202492 GSM4202492 macrophages, NC_LM siControl SRX7264640
GSM4202493 GSM4202493 macrophages, siTet2_LM siControl SRX7264641
GSM4202494 GSM4202494 macrophages, IFNγ siControl SRX7264642
GSM4202495 GSM4202495 macrophages, siTet2_IFNγ siControl SRX7264643
これでダウンロードができました。
最後に
いかがだったでしょうか。GEOを使って好きなRNA-seqデータを探して解析する準備をしましょう！
次回、詳しい解析方法を執筆予定なので、ぜひ見ていただけますと幸いです。
公共データを用いたSingle Cell RNA-seq解析に関する初心者向け技術書を販売中
プログラミング初心者でも始められるわかりやすい解説！
RとSeuratで始めるSingle Cell RNA-seq解析！
公共データを用いたシングルセル ダイナミクス解析に関する初心者向け技術書を販売中
シングルセルデータの高度な解析であるTrajectory解析、RNA Velocity解析、空間トランスクリプトーム解析が環境構築方法から詳しく解説されています！
GSE152418のデータセット情報を取得 と記載がありますが、このGSE番号は間違いでしょうか？
大野彰久様
ご連絡ありがとうございます。コメントアウトの文章はGSE152418ではなくGSE141413でしたので修正いたしました。
ご指摘いただき誠にありがとうございます。