生物信息数据挖掘用symbol而不用unigene_Hs.1

最近在以生物数据为研究对象，同步研究R语言软件。

发现学习这个事情，不论是对于小学生还是小学生的老师，都是难度类似的。尤其是按照自己既往的各种经验学习的还是，还强迫症不愿意借助Excel表格来实现的时候，深感难上加难。

我观察到多种GEO生物学芯片的probe数据里，有些既有symbol数据同时也有Hs.98379等数据。

在这个字母列里面，第一个||位置中间就是unigene的样子。第二||的位置为symbol的基因的名称。

可以看得见的是，这个unigene，往往会和symbol基因是一一对应的。

因为在如图这个表格GPL芯片数据中心，是混在一起的。需要用R来裂开，提取各自的基因名称。

那么用哪种呢？这里有坑。

如果我直接选择用第二个的symbol基因名称，发现这里有共27847个基因；然而我要是用hs.这unigene来的话，就能转换成更多的基因数。

但是问题来了，当我用pbmd进行个别验证的时候，和肉眼所遇见是一样的效果：例如上面有一些symbol为“RNA”类似的缺乏具体基因名的文件。

最后，我认为自己R语言水平还不够。所以，还是采取直接用symbol数据。因为用unigene数据转换后的symbol数据有些和原来的芯片数据对应不上。应该是unigene的格式问题，因为即便unigene里面有一个空格，在c（“”）引号内的空格，R语言也会认为这里有数据，会给填补一个、符号进去。而改变了symbol的基因名。

下面的数据是我试验时候的代码。有些乱。但是逻辑简单。

c(probe11061$FDAS)

unigene9=as.character(unigene9)

unigene9=c(" RNA","PELI3","SRPK1")

unigene9=c(" RNA","PELI3","SRPK1")

unigene9=c("Hs.523789","Hs.523816","Hs.443861")

cols=c("ENTREZID","SYMBOL","UNIGENE")

select(org.Hs.eg.db,keys = unigene9,columns = cols,keytype = "UNIGENE")

输出效果如上图。这里的数据会和原来的数据有差距。

在我验证之后，因为临近双11，要为赚钱最快的马云、马化腾添砖加瓦，所以，就暂时放弃了用unigene转换symbol基因的努力。但是我会再抽空搞清楚，如何让这堆混在一起的数据的“unigene”在R语言转换的时候，保持原样，不要因为多了空格什么的，导致找到的对应的symbol发生了改变。

unigene基因足足有3万5千行，而直接提取symbol只有2万7。少了大几千基因，对于后续数据的分析的影响可想而知。

尤其是对于这些较为旧的数据，因为科研的进步，之前没有具体symbol的数据，后来是有了对应的symbol的名称的，对于数据挖掘的话，用unigene显然更加高效、更可能挖到之前研究者不曾发现的数据。

然而，历史遗留原因，各种数据都是有困难的。

等我过完双11，过完双12。静下心来，好好研究通，再分享。

这个时代，是大数据，是代码时代，即便如我一样七老八十的人，也是需要学习代码的。各位读者朋友，锻炼自己的大脑，给自己大脑一点点的刺激，就能减少老年痴呆，减少将来对老伴的依靠，对儿女的负担，学习代码也行，看书也行，总之啊，不要让生活太安逸了。