基因表达综合：NCBI基因表达和杂交阵列数据仓库

摘要

背景

近年来，利用高通量杂交阵列和测序技术进行的分子生物学实验变得非常流行(1——三). 这些技术已被用于测量mRNA和基因组DNA的绝对或相对分子丰度。这些技术的高度并行性以及在非常相似的条件下进行的大量同时（或近同时）分子取样事件所带来的时间和资源的伴随节约，是导致这种流行的主要原因。

多年来，人们越来越希望这些高通量数据集在研究成果发表在科学文献中后公开，这与期刊和公共资金需求相似，以便公开发布生物序列数据。也有人呼吁为这些数据集（至少是其中的基因表达微阵列子集）建立公共存储库(4——6)，期刊和公共资助机构已开始将高吞吐量数据的公共可用性作为出版的条件(7)或资金（例如，NINDS提案请求BAA-RFP-NIH-NINDS-01–03，第76页，网址：http://www.ninds.nih.gov/funding/2rfp_01_03.pdf)分别是。认识到这些数据应该被广泛提供的愿望，一些实验室和机构已经构建了一级和二级互联网资源来分发这些高通量数据集（表​（表11).

在过去几年里，国际上一直在努力编目最小信息集，这是正确解释微阵列实验并相互比较所必需的(6). 这套指南的编纂和出版对于高通量基因表达和基因组杂交数据生产者和数据存储库来说将是非常宝贵的。然而，我们认为，必须避免在制定标准和要求时过度使用这些准则，因为这将扼杀一个快速发展且具有技术挑战性的领域。

因此，我们的主要目标是创建基因表达总表（GEO；网址：http://www.ncbi.nlm.nih.gov/geo)旨在尽可能涵盖最广泛的高通量实验方法，并保持灵活性和对未来趋势的响应，而不是为进入设定严格的要求和标准。然而，在采用这种方法时，我们认识到，在此类异构数据集上提供的功能和分析存在明显的固有限制。因此，GEO的目的不是替换或匹配在同质数据集上运行的主要和次要资源，而是作为补充第三级用于存储和检索公共高通量基因表达和基因组杂交数据的资源。

存储库设计

GEO将数据分为三个主要部分，平台,样品和系列（表​（表2），2)，每个都在关系数据库中添加（即给定一个唯一且恒定的标识符）（图。​（图1）。1). 为了实现开放灵活的设计，允许存储和检索非常不同的数据类型，数据库中的数据没有完全粒度化。相反，会为每个平台和每个样本存储一个以制表符分隔的ASCII表。该表由多个列组成，并带有相应的列标题名称。此表中的数据目前部分提取用于索引，但可能会进一步提取用于更广泛的搜索和检索。此外，提交者可以提供任意数量的补充列，以包含其他提交者定义的信息。

在单独的窗口中打开

图1

GEO模式和示例。(A类)GEO数据库的实体关系图。(B类)三个样本引用一个平台并包含在单个系列中的实际示例。

的实例平台本质上是一个探针列表，它定义了在任何利用该平台的实验中可以检测到的分子集。例如，平台数据表可能包含GEO定义的列，用于标识每个探针（点）的位置和生物试剂内容，例如GenBank登录号、开放阅读框（ORF）名称和克隆标识符，以及提交者定义的列。平台登录号具有“GPL”前缀。

的实例样品描述了被探测分子集合的推导，并利用平台生成分子丰度数据。每个样本都有且只有一个必须事先定义的父平台。例如，样本数据表可以包含指示在其平台中定义的对应点的最终相关丰度值的列，以及任何其他GEO定义的列（例如，原始信号、背景信号）和提交者定义的列。样本登录号具有“GSM”前缀。

的实例系列将样本组织成有意义的数据集，这些数据集组成一个实验，并由一个公共属性绑定在一起。系列登录号具有“GSE”前缀。

提交文件

有两种通信方式可用于新提交和更新提交，交互式或直接存款。交互式web表单界面路线简单明了，最适合偶尔提交数量相对较少的示例。大数据集的批量提交可以通过以简单综合格式（SOFT）直接存放文件的方式快速并入GEO。SOFT是一种基于行的ASCII文本格式，允许在一个文件中表示多个GEO平台、样本和序列。在SOFT中，元数据以标签值对的形式出现，并与平台和示例的以制表符分隔的文本表相关联。SOFT的设计目的是便于使用现成的线扫描软件进行操作，并且可以很容易地从电子表格、数据库和分析软件中生成并导入。有关SOFT和提交过程的更多信息，请访问GEO网站。

提交文件最多可私下保存6个月；该政策允许数据发布与手稿发布一致。这些提交的材料都有一个最终的加入号，可以在出版物中引用。在这一点上，提交的文件不是经过精心策划的，而是经过人工扫描，以确保满足最低的基本要求。提交者完全有责任通过使用数据表中的标准列标题并提供足够的补充信息，使数据对其他人有用。

搜索和检索

在编写时，可以检索完整平台,样品和系列仅按加入编号提交。对GEO中的数据进行了广泛的索引和链接，并可通过名为Entrez ProbeSet的新Entrez数据库进行查询。该数据库的web界面使用了与PubMed和GenBank等其他流行NCBI资源相同的索引和链接引擎。与任何其他Entrez数据库一样，可以输入一个简单的布尔短语，并限制为任何数量的支持属性字段。匹配项链接到完整的GEO条目以及其他Entrez数据库（当前为Nucleotide、Taxonomy和PubMed-as）以及相关的Entrez ProbeSet条目。可通过Entrez网站访问Entrez ProbeSet(http://www.ncbi.nlm.nih.gov/entrez/query.fcgi？db=geo)作为用于选择要查询的Entrez数据库的下拉菜单之一。

未来发展

GEO资源正在不断开发，旨在改进其索引、链接、搜索和显示能力，以实现更有力的数据挖掘。作为GEO数据库的扩展，我们目前正在开发一个全粒度丰度测量数据库，该数据库将允许查询和检索单个丰度测量值。然而，由于当前高通量基因表达和基因组杂交实验的复杂性和快速发展所带来的局限性，丰度测量可能仅在小组类似衍生数据集中具有可比性。我们计划利用这些可比较的数据子集，以便尽可能自由地查询丰度测量值，并提供这些数据的有用天气视图。

致谢

参考文献