我们的马拉松授课专注于表达量矩阵的数据处理技巧传授，包括表达量芯片，转录组 测序， 单细胞转录组，都是一脉相承的。每个知识点都有对应的练习题安排给学员来考验大家是否掌握差异分析和富集分析的精髓。

比如GSE273142这个数据集，就是一个很好的案例，作者给出来了很简单的样品信息：

GSM8422516 SUM159 control R1
GSM8422517 SUM159 control R2
GSM8422518 SUM159 control R3
GSM8422519 SUM159 DAPK3 KO R1
GSM8422520 SUM159 DAPK3 KO R2
GSM8422521 SUM159 DAPK3 KO R3

以及GSE273142_Processed_data.tab.gz这个741.8 Kb的表达量矩阵文件，但是绝大部分学员给出来的都是如下所示的有问题的质量控制图表，看一眼就知道后面的差异分析和富集分析肯定是不可靠了：

如果我们使用作者给出来的样品信息

library(AnnoProbe)
library(GEOquery)  

gset = getGEO("GSE273142", destdir = '.', getGPL = F) 
  pd = pData(gset[[1]]) 
  colnames(pd)
  colnames(symbol_matrix)
  #pd=pd[match(colnames(symbol_matrix),rownames(pd)),]
  as.data.frame( pd$title )
  group_list=ifelse(grepl('control',pd$title ),
                    'control','case' )

得到的分组是：

>   as.data.frame( pd[,c('geo_accession','title')])
           geo_accession              title
GSM8422516    GSM8422516  SUM159 control R1
GSM8422517    GSM8422517  SUM159 control R2
GSM8422518    GSM8422518  SUM159 control R3
GSM8422519    GSM8422519 SUM159 DAPK3 KO R1
GSM8422520    GSM8422520 SUM159 DAPK3 KO R2
GSM8422521    GSM8422521 SUM159 DAPK3 KO R3

作者给出来的样品信息对应的是GSM这样的id体系，但是作者给出来的表达量矩阵文件（GSE273142_Processed_data.tab.gz）里面的样品名字是不一样的。

但是我们知道生物学背景

这个文章：《Death-associated protein kinase 3 modulates migration and invasion of triple-negative breast cancer cells》的生物学故事开始于这个DAPK3基因在乳腺癌里面的basal分子分型里面是恶性高表达，所以作者对这个DAPK3基因进行干扰（敲低）：

有了这个生物学背景，我们就可以读取作者给出来的表达量矩阵文件（GSE273142_Processed_data.tab.gz），检查里面的这个DAPK3基因的干扰（敲低）情况，来进行分组：

data<-data.table::fread("GSE273142_Processed_data.tab.gz",
                        data.table = F)
data$V1=str_split(data$V1,'_',simplify = T)[,2]
head(data)
data=data[!duplicated(data$V1),]
mat<-data[,c( 2:ncol(data))]
rownames(mat)=data[,1]
> as.data.frame(dat['DAPK3',])
                                dat["DAPK3", ]
JG-27250_S1.rsem.genes.results        3.350783
JG-27251_S2.rsem.genes.results        2.512186
JG-27255_S6.rsem.genes.results        3.351456
JG-27256_S7.rsem.genes.results        2.715710
JG-27260_S11.rsem.genes.results       3.391863
JG-27261_S12.rsem.genes.results       2.561012
group_list=ifelse(dat['DAPK3',]>3,
                  'control','case' )

可以看到，分组确实是不一样的，我们根据DAPK3的表达量的分组理论上比作者在GEO数据库存储的分组信息更可靠。

有了合理的分组，就可以进行合理的差异分析：

学徒作业

完成上面的合理的差异分析后，针对上下调基因进行独立的富集分析，然后看作者文章里面的EMT通路的变化情况哈

假如是实验数据

你就只能说看看作者最后上传的WB或者PCR的图而已，作者说是处理组就是处理组，指鹿为马你缺无可奈何！但是有是测序后的生物信息学数据，我们才可以发挥自己的代码能力去做合理的评估！

所以做生信压根就不怕造假或者出错，当然了，如果这个测序数据是自己产出的就更好了，毕竟现在转录组测序一个样品才三百多块钱，实在是太便宜了，与其提心吊胆的去对公共数据集进行各种各样的质量控制， 斗智斗勇。 还不如直接看看我们的活动：转录组促销价格：MGI-T7真核转录组 349元/个（6G）。

联系就送mfuzz或者wgcna这样的针对表达量矩阵里面的基因进行直接分组的算法的实例哦！