上个月听了jimmy老师的巡讲后，开始学习GEO数据挖掘，看了相关视频后，想实战一把，于是看了jimmy老师去年开始分享的GEO数据挖掘帖子，没想到第一期就碰到个钉子，还好自己解决了，以下是分享。
原帖在GEO数据挖掘-第一期-胶质母细胞瘤（GBM）
前面都一帆风顺，但是到第二步 得到geneID和gene类型的对应关系时，遇到了钉子

进入帖子说的网站，发现是这样的

于是根据自己的理解，点进去人类的GTF下载界面，发现是这样的

下载了Homo_sapiens.GRCh38.96.gtf.gz这个文件到shell然后解压，如图

好像跟老师原帖里的gtf不太一样，但我的感觉是，既然是这个网站，又是唯一的人类GTF文件，应该没错，于是按原帖的方式转化成了gene2type 格式，读入R，发现不对，于是开始请教jimmy老师，结果。。。

真是个善于诱导（甩锅）学生的好老师。。。
然后，我就开始研究老师原帖给的转化gene2type格式的代码

awk '{if(!NF || /^#/){next}}1'
/public/reference/gtf/gencode/gencode.v25lift37.annotation.gtf | cut -f9 | sed 's/\"//g'| sed 's/;//g' | awk '{ print $4"\t"$8 }' |awk '{if(/^E/){next}}1'| awk '{ print $2"\t"$1 }' | sort -k 1 | uniq > gencode.v25lift37.annotation.gtf.gene2type

有所发现，需要的gtf其实就是gencode.v25lift37.annotation.gtf 这个文件，于是google了一哈，发现应该是在genecode 这个网站

于是点了右侧的GTF 按钮下载，然后按照源代码，修改转化文件的参数，转化为gene2type

这还没结束，导入R，发现有点不对劲

可以看到数目偏少（只有7641个），且gene和type出现了很多奇怪的内容，感觉肯定是转化的时候出问题了
然后又仔细研究了一下下载的网站，发现可以找到老师原帖的历史版本gtf文件

于是下载下来，跟新版的gtf文件对比，cat一下

发现，上面的是最新版的gtf，下面是老师写教程用的gtf，两者对比一下之后发现，只是最新版的gtf没有gene_status这一个项目，其他都一样，于是就简单了，修改下代码取得相应列数，提取gene_type和gene_name 就ok咯

awk '{if(!NF || /^#/){next}}1' gencode.v30lift37.annotation.gtf | cut -f9 | sed 's/\"//g'| sed 's/;//g' | awk '{ print $4"\t"$6 }'|awk '{if(/^E/){next}}1'| awk '{ print $2"\t"$1 }' |sort -k 1 | uniq > gencode.v30new.annotation.gtf.gene2type

再导入R，一看，大功告成！


真是万事开头难，然后，残忍的jimmy老师竟然要我把这段探索经历 投稿给他做教程，我晕，还得自学下markdown ，我这么小的事，发出来肯定没人看啊，但是，看了下原帖的留言，我改变了看法


问这个开头第一步的同学还不只我一个。。。看来我这个探索经历还是挺有意义的哈哈

心得

最后是自己的一点体会吧，完事开头难，学生信需要智慧，更需要毅力和不断地探索，一个小的不能再小的问题也值得自己好好琢磨，你看看我，被jimmy老师一逼，起码，一，搞懂了两个网站以及GTF数据的下载和内容概要读取；二，转化文件的时候重温了下shell语言；最后，竟然还顺便学会了用markdown 交作业！！哈哈哈