求助：使用GEOquery::getGEO加载GSE166427表达集失败

问题背景 #

我正在基于平台GPL13667处理GEO数据集GSE166427，尝试用以下R脚本获取数据，但最后一行执行时出现错误与警告，导致表达集无法加载。

初始脚本 #

library(Biobase)  
library(GEOquery)  
library(limma)

series <- "GSE166427"  
platform <- "GPL13667"  
setwd("D:/Proj/DEGs/COAD DEGs/")  
Sys.setenv(VROOM_CONNECTION_SIZE=131072*10)

gset <- getGEO(series, 
                GSEMatrix = TRUE,  
                AnnotGPL = TRUE, 
                destdir = "COAD Data/")

初始执行错误信息 #

Found 2 file(s)  
GSE166427-GPL13534_series_matrix.txt.gz  
Using locally cached version: COAD Data//GSE166427-GPL13534_series_matrix.txt.gz

Rows: 0 Columns: 241

- Column specification -----------------------------------------------------------------------------------

Delimiter: "\t"  
chr (241): ID_REF, GSM3759532, GSM3759533, GSM3759534, GSM3759535, GSM3759536, GSM3759537, GSM3759538, ...

i Use `spec()` to retrieve the full column specification for this data.  
i Specify the column types or set `show_col_types = FALSE` to quiet this message.  
Annotation GPL not available, so will use submitter GPL instead Using locally cached version of GPL13534 found here: `COAD Data//GPL13534.soft`

Error in `parseGSEMatrix(fname, destdir = destdir, AnnotGPL = AnnotGPL,  : parsing failed--expected only one '!series_data_table_begin'`
In addition: Warning message:
In `download.file(myurl, destfile, mode = mode, quiet = TRUE, method = getOption("download.file.method.GEOquery"))` :
cannot open URL <https://ftp.ncbi.nlm.nih.gov/geo/platforms/GPL13nnn/GPL13534/annot/GPL13534.annot.gz>: HTTP status was '404 Not Found'

修改后的脚本（仍报错） #

gset <- getGEO(series, 
                 filename ="COAD Data/GSE166427-GPL13667_series_matrix.txt.gz", 
                 GSEMatrix = TRUE, 
                 AnnotGPL = TRUE, 
                 destdir = "COAD Data/")

修改后执行错误信息 #

Rows: 49386 Columns: 247

- Column specification -----------------------------------------------------------------------------------

`Delimiter: "\t"`  
chr   (1): ID_REF  
dbl (246): GSM1077598, GSM1077599, GSM1077600, GSM1077601, GSM1077602, GSM1077603, GSM1077604, GSM10776...

i Use `spec()` to retrieve the full column specification for this data.  
i Specify the column types or set `show_col_types = FALSE` to quiet this message.  
Annotation GPL not available, so will use submitter GPL instead Using locally cached version of GPL13667 found here: `COAD Data//GPL13667.soft`

Error in `.rowNamesDF <- (x, value = value) : invalid 'row.names' length`  
In addition: Warning messages:  
1: In `download.file(myurl, destfile, mode = mode, quiet = TRUE, method = getOption("download.file.method.GEOquery"))` :
cannot open URL <https://ftp.ncbi.nlm.nih.gov/geo/platforms/GPL13nnn/GPL13667/annot/GPL13667.annot.gz> : HTTP status was '404 Not Found'

2: One or more parsing issues, call `problems()` on your data frame for details, e.g.: `dat <- vroom(...)`
problems(dat)

会话信息 #

> sessionInfo()
R version 4.1.0 (2021-05-18)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 10 x64 (build 19045)

Matrix products: default

解决方案 #

错误原因分析 #

1. 多平台数据集默认加载错误平台：GSE166427包含两个平台（GPL13534和GPL13667），getGEO默认会加载第一个平台的数据，导致获取到非目标平台的空矩阵。
2. 官方注释文件不存在：GPL13534和GPL13667的官方注释文件在NCBI FTP上已不存在（404错误），开启AnnotGPL = TRUE会触发无效下载请求，同时导致注释与表达矩阵匹配失败。
3. 手动指定文件导致行名不匹配：直接指定本地文件时，提交者提供的注释文件与表达矩阵的行数量不一致，引发行名长度错误。

修正后的完整脚本 #

library(Biobase)  
library(GEOquery)  
library(limma)

series <- "GSE166427"  
target_platform <- "GPL13667"  
setwd("D:/Proj/DEGs/COAD DEGs/")  
Sys.setenv(VROOM_CONNECTION_SIZE=131072*10)

# 核心修正：指定目标平台，关闭无效的官方注释下载
gset <- getGEO(series, 
               GSEMatrix = TRUE,  
               AnnotGPL = FALSE,  # 跳过官方注释下载，避免404
               destdir = "COAD Data/",
               platform = target_platform)  # 明确指定要加载的平台

# 确保获取到正确的表达集（若返回列表则取第一个元素）
if (is.list(gset)) {
  gset <- gset[[1]]
}

# 验证表达集加载结果
print(paste("加载的表达集平台：", annotation(gset)))
head(exprs(gset))

关键修改说明 #

• platform = target_platform：强制getGEO加载指定平台（GPL13667）的数据集，避免默认加载错误平台的问题。
• AnnotGPL = FALSE：关闭官方注释文件的自动下载，改用提交者上传的注释信息，解决404错误和注释匹配失败问题。
• 列表判断处理：当数据集包含多个平台时，getGEO会返回列表，手动选取第一个元素即可得到目标平台的表达集。

额外处理建议 #

如果仍然遇到行名错误或解析问题：

1. 删除COAD Data/目录下的所有缓存文件（包括.txt.gz和.soft文件），让getGEO重新下载完整的数据集文件。
2. 检查本地网络连接，确保能正常访问NCBI FTP服务器。
3. 若需要更完整的注释信息，可以手动从GEO平台页面下载GPL13667的注释文件，后续通过annotateEset函数手动添加注释。

内容的提问来源于stack exchange，提问作者mori