GEO芯片数据处理第一步：探针id转symbol在线工具转换实操

在基因表达芯片数据分析过程中，我们经常会遇到这样的情况：原始表达矩阵中的第一列并不是常见的基因名称，而是芯片平台对应的探针id，例如Affymetrix芯片中常见的`1007_s_at`、`1053_at`、`117_at`等。由于后续进行差异分析、富集分析、PPI网络分析等工作时，通常需要使用标准化的基因Symbol，因此需要先将探针id转换为对应的基因Symbol。

HiOmics云分析平台提供了“探针id转symbol”在线工具，可以根据选择的芯片测序平台，自动将表达矩阵中的探针id转换为标准基因Symbol，无需自行下载芯片注释文件或编写R代码。下面将详细介绍该工具的使用方法。

工具地址：https://www.henbio.com/tooldetail?id=423

准备基因表达矩阵文件

进入“探针id转symbol”工具，可以看到参数设置页面，主要需要上传基因表达矩阵并选择对应的测序平台。上传的表达矩阵需要为文本格式。数据格式为“行代表探针，列代表样本”，第一列必须为探针id，后面的每一列为不同样本的表达量数据。

例如，原始数据可以是下面这样的结构：

ID_REF      GSM786491    GSM786492    GSM786493

1007_s_at   6.79154015   11.3210778   10.97214655

1053_at     8.39292678   8.158702243  8.00563894

117_at      3.89288257   4.46080744   3.72622471

121_at      5.42866026   5.43169304   5.42106139

 

其中第一列`ID_REF`下面存放的是探针id，例如`1007_s_at`、`1053_at`等，后面的`GSM786491`、`GSM786492`等为不同样本名称。

需要注意的是，第一列探针id不能缺失，同时每一列的列名也不能为空。建议在上传之前检查表达矩阵是否存在空白列、缺失列名或格式异常的情况，以避免任务运行失败。

 

选择对应的芯片平台

上传表达矩阵后，需要选择探针id对应的测序平台。探针id与基因Symbol之间的对应关系依赖于芯片平台，因此这一步非常重要。

在“测序平台”下拉菜单中，工具提供了多个常用芯片平台，例如GPL80、GPL81、GPL85、GPL96、GPL201、GPL341、GPL570、GPL571、GPL1261、GPL1355、GPL6244、GPL6887、GPL6947、GPL8300等。

如果数据来源于GEO数据库，可以在GEO数据集页面中查看对应的Platform编号。例如数据集使用的是GPL570平台，那么在工具中选择GPL570即可。系统会根据该平台对应的探针注释信息，将表达矩阵中的探针id自动转换为基因Symbol。

 

 

查看和下载转换结果

任务运行完成后，可以进入“我的项目”页面查看对应的分析任务。转换后的结果文件通常会保留原始表达矩阵中的样本表达数据，同时将第一列原来的探针id转换为对应的标准基因名称。

例如原始数据为：

 

经过转换后，结果中的第一列将变为对应的基因Symbol，例如：

 

下载结果文件后，就可以直接将标准化后的基因表达矩阵用于后续的差异表达分析、GO和KEGG富集分析、GSEA分析、WGCNA分析以及其他转录组数据分析流程。

 

总结

对于从GEO等公共数据库下载芯片表达数据的用户来说，探针id转换为基因Symbol往往是数据分析前必须完成的一步。传统方法通常需要下载对应平台的注释文件，再通过R或其他脚本进行匹配，对于不熟悉编程的用户来说操作相对繁琐。“探针id转symbol”在线工具将这一过程进行了简化。只需要按照要求准备基因表达矩阵，上传文件并选择对应的GPL平台，完成转换后，即可获得标准基因名称格式的表达矩阵。