本文章主要参考了：
①R 语言的安装（详细教程）
②GEO芯片数据下载和探针ID转换

一、问题描述

探针ID转换

我们需要的基因表达量信息在NCBI的GEO数据库中对应的编号为GSE95394,搜索后结果如下
来到页面底部，这里的series Matrix File(s)是已经处理好所有样本对应各基因的表达量数据

下载并打开后如下图，发现左边并不是基因的名字，而是探针ID号，我们需要将探针ID转换为基因名才能进一步处理

数据是否预处理过

此外还需要注意的是，选择其中某个样本点击进去

结果如下，这表明你下载的表达量是经过了log2（N+1）转化后的，如果没做特殊说明的话，这里的N一般表示基因数量，即counts，那么你下载到的表达量就是log2(counts+1)，这是需要我们注意的

二、Rstudio的安装（建议阅读，避免后续转换时出错）

安装包的下载

注意：由于我们需要使用WGCNA等包，所以对R以及RStudio的版本是有一定要求的（要求>4.1.3）
这里我已经将合适的版本上传至百度网盘，注意：这三个安装文件都需要下载，缺一不可
链接：https://pan.baidu.com/s/1pbgbCVQf69sEk7_tK8SGSw
提取码：4aeh

安装步骤

①可以在D盘中新建一个R文件夹，将这三个文件都放在R文件夹里面，然后安装路径也都在这个R文件夹里面。（为什么安装包要和最终的安装路径放一块？因为不这样的话，RStudio运行时可能检测不到R-4.2.2安装文件夹里面etc文件夹中的Rprofile.site，这个文件的作用我稍后会解释）
②按照R-4.2.2-win、rtools、RStudio顺序依次安装（顺序不能乱），安装时都选择默认选项即可。
③因为有些R中的包依赖于java所以还需要进行java的环境配置：java 环境配置(详细教程)
④运行RStudio：在安装的RStudio>bin文件夹里面，有个rstudio.exe，双击打开即可


⑤镜像源的设置：
使用记事本打开这个文件

将下面这段代码复制并粘贴到最后

## 设置镜像
local({r <- getOption("repos")
     r["CRAN"] <- "https://mirrors.tuna.tsinghua.edu.cn/CRAN/"
     options(repos=r)}
     )
options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/")

## 设置下载方式
options("download.file.method"="libcurl")
options("url.method"="libcurl")

这是在RStudio中输入一下命令：

getOption("repos")

getOption("BioC_mirror")

返回以下结果则表示设置成功

如果不设置好镜像源，可能后续再安装R包的时候，会出现找不到的情况，所以这是非常有必要的！

三、（正文）芯片数据下载和ID转换

注意：如果你是严格按照上面的步骤安装RStudio，那么这一步将不会出错，否则会遇到各种问题难以继续，如果已经错误地安装RStudio等软件最后发现很多代码无法实现，那么需要把已经安装的R、RStudio、rtools全部删除干净，然后再按照上面的步骤安装（来自作者踩坑无数的嘱咐）

相关设置和包的加载

进行相关设置

setwd("D:\\R\\data")	# 将工作目录设置为D:\R\data，这里根据实际情况设置
options(stringAsFactors = F)	# # 避免引入factor
Sys.setenv("VROOM_CONNECTION_SIZE"=131072*600)	# 设置内存，避免不够用

有关R包的加载

library(GEOquery)
library(limma)
library(affy)

如果某个包你没有安装，那么可能会出现如下提示

安装下面方式安装即可（注意：使用install.packages(“affy”)有时会安装失败，所以还是建议使用下面的方式）

BiocManager::install("affy")

数据下载

这里下载本文章开头需要的数据：GSE95394，读者可以修改为自己需要下载的数据编号

gset <- getGEO('GSE95394', destdir=".",
+                AnnotGPL = T,     ## 注释文件
+                getGPL = T)       ## 平台文件

稍后文件会被下载到当前工作目录中，然后输入

gset[[1]]

会显示该文件的相关信息（基因数量、平台、所用芯片等）

再输入以下命令

exp<-exprs(gset[[1]])

exp便代表了该表达矩阵，选中查看如图，这也是我们下载的数据直接打开的内容

cli<-pData(gse[[1]])	## 获取临床信息
group<-c(rep("control",3),rep("hht",3))	## 查看分组信息

GPL<-fData(gset[[1]]	## 获取平台信息 

查看GPL如下图，可以看到在该平台中芯片ID对应的各种数据库的ID号

注意可以左右拉动，这里我需要的是第一列（ID）和第三列（Gene symbol），那么可以将它提取出来，如果你需要别的列数据，那么修改下面的参数即可

gpl<-GPL[,c(1,3)]

打开后如下图，我们会发现并不是所有芯片ID都有Gene symbol与其对应的，没有对应的Gene symbol我们直接忽略即可

此外，我们还会发现有的芯片ID会有两个Gene symbol与之对应并用“///”分隔开，如下图所示，那么我们取第一个即可

执行下面代码后，便通过只取第一个Gene symbol来达到去重效果，这时再打开gpl发现已经没有对应多个Gene symbol的情况了

gpl$`Gene symbol`<-data.frame(sapply(gpl$`Gene symbol`,function(x)unlist(strsplit(x,"///"))[1]),stringsAsFactors=F)[,1]

接下来对表达矩阵exp进行探针ID转化，首先将其转换为数据框的形式，否则一会会报错

exp<-as.data.frame(exp)

此时虽然我们能看到exp的探针ID号（最左侧），但这个ID号并不是真正在列中，所以我们还需要将探针ID放到数据框里面，执行下面命令

exp$ID<-rownames(exp)	# 增加新的一列（最后一列），存放基因ID信息

接下来通过将gpl合并到exp中，从而在exp中将芯片ID号转化为Gene symbol

exp_symbol<-merge(exp,gpl,by="ID")

不过我们发现Gene symbol这里仍然有一些未能匹配上的（N/A），这时需要去除这些匹配不上的

输入以下命令即可删除这些探针ID匹配不上的

exp_symbol<-na.omit(exp_symbol)

此时我们发现还有一些Gene symbol是重复的，需要我们去重

首先查看有多少重复的Gene symbol

table(duplicated(exp_symbol$`Gene symbol`))

结果如下图，说明有4877个重复的

输入以下命令进行去重操作同时将矩阵转换成标准的表达矩阵形式

exp_unique<-avereps(exp_symbol[,-c(1,ncol(exp_symbol))],ID=exp_symbol$`Gene symbol`)

这个exp_unique就是我们需要的以Gene symbol为行标的表达矩阵，最后将它保存为csv格式

write.csv(exp_unique,"D:/desktop/aaa.csv")

大功告成~