GEO Database

概要

Gene Expression Omnibus (GEO) は、NCBI が提供する高スループット遺伝子発現・機能ゲノミクスデータの公開リポジトリです。GEO には 264,000 件以上の研究と 800 万件以上のサンプルが含まれており、アレイベースおよびシーケンスベースの実験から得られています。

このスキルを使用する場合

このスキルは、遺伝子発現データセットの検索、実験データの取得、生データおよび処理済みファイルのダウンロード、発現プロファイルのクエリ、または GEO データを計算分析ワークフローに統合する場合に使用します。

コア機能

1. GEO データ構成の理解

GEO は異なるアクセッション タイプを使用して階層的にデータを構成しています。

Series (GSE): 関連するサンプルのセットを含む完全な実験

• 例: GSE123456
• 実験計画、サンプル、および全体的な研究情報を含む
• GEO における最大の組織単位
• 現在のカウント: 264,928 件以上

Sample (GSM): 単一の実験的サンプルまたは生物学的複製

• 例: GSM987654
• 個別のサンプルデータ、プロトコル、およびメタデータを含む
• プラットフォームとシリーズにリンク
• 現在のカウント: 8,068,632 件以上

Platform (GPL): 使用されたマイクロアレイまたはシーケンシング プラットフォーム

• 例: GPL570 (Affymetrix Human Genome U133 Plus 2.0 Array)
• 技術とプローブ/フィーチャー注釈を説明
• 複数の実験間で共有
• 現在のカウント: 27,739 件以上

DataSet (GDS): 一貫した形式でキュレーションされたコレクション

• 例: GDS5678
• 研究デザインに従って実験的に比較可能なサンプルを組織化
• 差分解析用に処理済み
• GEO データのサブセット(4,348 個のキュレーション済みデータセット)
• 迅速な比較分析に最適

Profiles: シーケンス機能にリンクされた遺伝子特異的発現データ

• 遺伝子名または注釈によってクエリ可能
• Entrez Gene への相互参照
• 全研究にわたる遺伝子中心の検索を可能にする

2. GEO データの検索

GEO DataSets Search:

キーワード、生物、または実験条件でスタディを検索します。

from Bio import Entrez

# Entrez の設定 (必須)
Entrez.email = "your.email@example.com"

# データセットの検索
def search_geo_datasets(query, retmax=20):
    """GEO DataSets データベースを検索"""
    handle = Entrez.esearch(
        db="gds",
        term=query,
        retmax=retmax,
        usehistory="y"
    )
    results = Entrez.read(handle)
    handle.close()
    return results

# 検索例
results = search_geo_datasets("breast cancer[MeSH] AND Homo sapiens[Organism]")
print(f"Found {results['Count']} datasets")

# 特定プラットフォームで検索
results = search_geo_datasets("GPL570[Accession]")

# スタディタイプで検索
results = search_geo_datasets("expression profiling by array[DataSet Type]")

GEO Profiles Search:

遺伝子特異的発現パターンを検出します。

# 遺伝子発現プロファイルの検索
def search_geo_profiles(gene_name, organism="Homo sapiens", retmax=100):
    """特定遺伝子の GEO Profiles を検索"""
    query = f"{gene_name}[Gene Name] AND {organism}[Organism]"
    handle = Entrez.esearch(
        db="geoprofiles",
        term=query,
        retmax=retmax
    )
    results = Entrez.read(handle)
    handle.close()
    return results

# スタディ全体での TP53 発現を検出
tp53_results = search_geo_profiles("TP53", organism="Homo sapiens")
print(f"Found {tp53_results['Count']} expression profiles for TP53")

高度な検索パターン:

# 複数の検索用語を組み合わせる
def advanced_geo_search(terms, operator="AND"):
    """複雑な検索クエリを構築"""
    query = f" {operator} ".join(terms)
    return search_geo_datasets(query)

# 最近の高スループットスタディを検出
search_terms = [
    "RNA-seq[DataSet Type]",
    "Homo sapiens[Organism]",
    "2024[Publication Date]"
]
results = advanced_geo_search(search_terms)

# 著者と条件で検索
search_terms = [
    "Smith[Author]",
    "diabetes[Disease]"
]
results = advanced_geo_search(search_terms)

3. GEOparse を使用した GEO データの取得(推奨)

GEOparse は GEO データにアクセスするための主要な Python ライブラリです。

インストール:

uv pip install GEOparse

基本的な使用法:

import GEOparse

# GEO Series をダウンロードして解析
gse = GEOparse.get_GEO(geo="GSE123456", destdir="./data")

# シリーズのメタデータにアクセス
print(gse.metadata['title'])
print(gse.metadata['summary'])
print(gse.metadata['overall_design'])

# サンプル情報にアクセス
for gsm_name, gsm in gse.gsms.items():
    print(f"Sample: {gsm_name}")
    print(f"  Title: {gsm.metadata['title'][0]}")
    print(f"  Source: {gsm.metadata['source_name_ch1'][0]}")
    print(f"  Characteristics: {gsm.metadata.get('characteristics_ch1', [])}")

# プラットフォーム情報にアクセス
for gpl_name, gpl in gse.gpls.items():
    print(f"Platform: {gpl_name}")
    print(f"  Title: {gpl.metadata['title'][0]}")
    print(f"  Organism: {gpl.metadata['organism'][0]}")

発現データの操作:

import GEOparse
import pandas as pd

# シリーズから発現データを取得
gse = GEOparse.get_GEO(geo="GSE123456", destdir="./data")

# 発現マトリックスを抽出
# 方法 1: シリーズマトリックスファイルから (最速)
if hasattr(gse, 'pivot_samples'):
    expression_df = gse.pivot_samples('VALUE')
    print(expression_df.shape)  # genes x samples

# 方法 2: 個別サンプルから
expression_data = {}
for gsm_name, gsm in gse.gsms.items():
    if hasattr(gsm, 'table'):
        expression_data[gsm_name] = gsm.table['VALUE']

expression_df = pd.DataFrame(expression_data)
print(f"Expression matrix: {expression_df.shape}")

補足ファイルへのアクセス:

import GEOparse

gse = GEOparse.get_GEO(geo="GSE123456", destdir="./data")

# 補足ファイルをダウンロード
gse.download_supplementary_files(
    directory="./data/GSE123456_suppl",
    download_sra=False  # True に設定して SRA ファイルをダウンロード
)

# 利用可能な補足ファイルをリストアップ
for gsm_name, gsm in gse.gsms.items():
    if hasattr(gsm, 'supplementary_files'):
        print(f"Sample {gsm_name}:")
        for file_url in gsm.metadata.get('supplementary_file', []):
            print(f"  {file_url}")

データのフィルタリングとサブセット化:

import GEOparse

gse = GEOparse.get_GEO(geo="GSE123456", destdir="./data")

# メタデータでサンプルをフィルタリング
control_samples = [
    gsm_name for gsm_name, gsm in gse.gsms.items()
    if 'control' in gsm.metadata.get('title', [''])[0].lower()
]

treatment_samples = [
    gsm_name for gsm_name, gsm in gse.gsms.items()
    if 'treatment' in gsm.metadata.get('title', [''])[0].lower()
]

print(f"Control samples: {len(control_samples)}")
print(f"Treatment samples: {len(treatment_samples)}")

# サブセット発現マトリックスを抽出
expression_df = gse.pivot_samples('VALUE')
control_expr = expression_df[control_samples]
treatment_expr = expression_df[treatment_samples]

4. NCBI E-utilities を使用した GEO アクセス

E-utilities は GEO メタデータへの低レベルなプログラマティック アクセスを提供します。

基本的な E-utilities ワークフロー:

from Bio import Entrez
import time

Entrez.email = "your.email@example.com"

# ステップ 1: GEO エントリを検索
def search_geo(query, db="gds", retmax=100):
    """E-utilities を使用して GEO を検索"""
    handle = Entrez.esearch(
        db=db,
        term=query,
        retmax=retmax,
        usehistory="y"
    )
    results = Entrez.read(handle)
    handle.close()
    return results

# ステップ 2: サマリーをフェッチ
def fetch_geo_summaries(id_list, db="gds"):
    """GEO エントリのドキュメント サマリーをフェッチ"""
    ids = ",".join(id_list)
    handle = Entrez.esummary(db=db, id=ids)
    summaries = Entrez.read(handle)
    handle.close()
    return summaries

# ステップ 3: 完全なレコードをフェッチ
def fetch_geo_records(id_list, db="gds"):
    """完全な GEO レコードをフェッチ"""
    ids = ",".join(id_list)
    handle = Entrez.efetch(db=db, id=ids, retmode="xml")
    records = Entrez.read(handle)
    handle.close()
    return records

# ワークフロー例
search_results = search_geo("breast cancer AND Homo sapiens")
id_list = search_results['IdList'][:5]

summaries = fetch_geo_summaries(id_list)
for summary in summaries:
    print(f"GDS: {summary.get('Accession', 'N/A')}")
    print(f"Title: {summary.get('title', 'N/A')}")
    print(f"Samples: {summary.get('n_samples', 'N/A')}")
    print()

E-utilities を使用したバッチ処理:

from Bio import Entrez
import time

Entrez.email = "your.email@example.com"

def batch_fetch_geo_metadata(accessions, batch_size=100):
    """複数の GEO アクセッションのメタデータをフェッチ"""
    results = {}

    for i in range(0, len(accessions), batch_size):
        batch = accessions[i:i + batch_size]

        # 各アクセッションを検索
        for accession in batch:
            try:
                query = f"{accession}[Accession]"
                search_handle = Entrez.esearch(db="gds", term=query)
                search_results = Entrez.read(search_handle)
                search_handle.close()

                if search_results['IdList']:
                    # サマリーをフェッチ
                    summary_handle = Entrez.esummary(
                        db="gds",
                        id=search_results['IdList'][0]
                    )
                    summary = Entrez.read(summary_handle)
                    summary_handle.close()
                    results[accession] = summary[0]

                # NCBI サーバーへの配慮
                time.sleep(0.34)  # 最大 3 リクエスト/秒

            except Exception as e:
                print(f"Error fetching {accession}: {e}")

    return results

# 複数のデータセットのメタデータをフェッチ
gse_list = ["GSE100001", "GSE100002", "GSE100003"]
metadata = batch_fetch_geo_metadata(gse_list)

5. データ ファイルへの直接 FTP アクセス

GEO データ用 FTP URL:

GEO データは FTP 経由で直接ダウンロードできます。

import ftplib
import os

def download_geo_ftp(accession, file_type="matrix", dest_dir="./data"):
    """FTP 経由で GEO ファイルをダウンロード"""
    # アクセッション タイプに基づいて FTP パスを構築
    if accession.startswith("GSE"):
        # シリーズファイル
        gse_num = accession[3:]
        base_num = gse_num[:-3] + "nnn"
        ftp_path = f"/geo/series/GSE{base_num}/{accession}/"

        if file_type == "matrix":
            filename = f"{accession}_series_matrix.txt.gz"
        elif file_type == "soft":
            filename = f"{accession}_family.soft.gz"
        elif file_type == "miniml":
            filename = f"{accession}_family.xml.tgz"

    # FTP サーバーに接続
    ftp = ftplib.FTP("ftp.ncbi.nlm.nih.gov")
    ftp.login()
    ftp.cwd(ftp_path)

    # ファイルをダウンロード
    os.makedirs(dest_dir, exist_ok=True)
    local_file = os.path.join(dest_dir, filename)

    with open(local_file, 'wb') as f:
        ftp.retrbinary(f'RETR {filename}', f.write)

    ftp.quit()
    print(f"Downloaded: {local_file}")
    return local_file

# シリーズマトリックスファイルをダウンロード
download_geo_ftp("GSE123456", file_type="matrix")

# SOFT フォーマットファイルをダウンロード
download_geo_ftp("GSE123456", file_type="soft")

wget または curl を使用したダウンロード:

# シリーズマトリックスファイルをダウンロード
wget ftp://ftp.ncbi.nlm.nih.gov/geo/series/GSE123nnn/GSE123456/matrix/GSE123456_series_matrix.txt.gz

# シリーズのすべての補足ファイルをダウンロード
wget -r -np -nd ftp://ftp.ncbi.nlm.nih.gov/geo/series/GSE123nnn/GSE123456/suppl/

# SOFT フォーマットファイルをダウンロード
wget ftp://ftp.ncbi.nlm.nih.gov/geo/series/GSE123nnn/GSE123456/soft/GSE123456_family.soft.gz

6. GEO データの解析

品質管理と前処理:

import GEOparse
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# データセットを読み込み
gse = GEOparse.get_GEO(geo="GSE123456", destdir="./data")
expression_df = gse.pivot_samples('VALUE')

# 欠損値をチェック
print(f"Missing values: {expression_df.isnull().sum().sum()}")

# ログ変換 (必要に応じて)
if expression_df.min().min() > 0:  # 既にログ変換されているかチェック
    if expression_df.max().max() > 100:
        expression_df = np.log2(expression_df + 1)
        print("Applied log2 transformation")

# 分布プロット
plt.figure(figsize=(12, 5))

plt.subplot(1, 2, 1)
expression_df.plot.box(ax=plt.gca())
plt.title("Expression Distribution per Sample")
plt.xticks(rotation=90)

plt.subplot(1, 2, 2)
expression_df.mean(axis=1).hist(bins=50)
plt.title("Gene Expression Distribution")
plt.xlabel("Average Expression")

plt.tight_layout()
plt.savefig("geo_qc.png", dpi=300, bbox_inches='tight')

差分発現解析:

import GEOparse
import pandas as pd
import numpy as np
from scipy import stats

gse = GEOparse.get_GEO(geo="GSE123456", destdir="./data")
expression_df = gse.pivot_samples('VALUE')

# サンプルグループを定義
control_samples = ["GSM1", "GSM2", "GSM3"]
treatment_samples = ["GSM4", "GSM5", "GSM6"]

# フォールドチェンジと p 値を計算
results = []
for gene in expression_df.index:
    control_expr = expression_df.loc[gene, control_samples]
    treatment_expr = expression_df.loc[gene, treatment_samples]

    # 統計量を計算
    fold_change = treatment_expr.mean() - control_expr.mean()
    t_stat, p_value = stats.ttest_ind(treatment_expr, control_expr)

    results.append({
        'gene': gene,
        'log2_fold_change': fold_change,
        'p_value': p_value,
        'control_mean': control_expr.mean(),
        'treatment_mean': treatment_expr.mean()
    })

# 結果の DataFrame を作成
de_results = pd.DataFrame(results)

# 多重検定補正 (Benjamini-Hochberg)
from statsmodels.stats.multitest import multipletests
_, de_results['q_value'], _, _ = multipletests(
    de_results['p_value'],
    method='fdr_bh'
)

# 有意な遺伝子をフィルタリング
significant_genes = de_results[
    (de_results['q_value'] < 0.05) &
    (abs(de_results['log2_fold_change']) > 1)
]

print(f"Significant genes: {len(significant_genes)}")
significant_genes.to_csv("de_results.csv", index=False)

相関とクラスタリング解析:

import GEOparse
import seaborn as sns
import matplotlib.pyplot as plt
from scipy.cluster import hierarchy
from scipy.spatial.distance import pdist

gse = GEOparse.get_GEO(geo="GSE123456", destdir="./data")
expression_df = gse.pivot_samples('VALUE')

# サンプル相関ヒートマップ
sample_corr = expression_df.corr()

plt.figure(figsize=(10, 8))
sns.heatmap(sample_corr, cmap='coolwarm', center=0,
            square=True, linewidths=0.5)
plt.title("Sample Correlation Matrix")
plt.tight_layout()
plt.savefig("sample_correlation.png", dpi=300, bbox_inches='tight')

# 階層クラスタリング
distances = pdist(expression_df.T, metric='correlation')
linkage = hierarchy.linkage(distances, method='average')

plt.figure(figsize=(12, 6))
hierarchy.dendrogram(linkage, labels=expression_df.columns)
plt.title("Hierarchical Clustering of Samples")
plt.xlabel("Samples")
plt.ylabel("Distance")
plt.xticks(rotation=90)
plt.tight_layout()
plt.savefig("sample_clustering.png", dpi=300, bbox_inches='tight')

7. 複数のデータセットのバッチ処理

複数シリーズのダウンロードと処理:

import GEOparse
import pandas as pd
import os

def batch_download_geo(gse_list, destdir="./geo_data"):
    """複数の GEO シリーズをダウンロード"""
    results = {}

    for gse_id in gse_list:
        try:
            print(f"Processing {gse_id}...")
            gse = GEOparse.get_GEO(geo=gse_id, destdir=destdir)

            # 主要情報を抽出
            results[gse_id] = {
                'title': gse.metadata.get('title', ['N/A'])[0],
                'organism': gse.metadata.get('organism', ['N/A'])[0],
                'platform': list(gse.gpls.keys())[0] if gse.gpls else 'N/A',
                'num_samples': len(gse.gsms),
                'submission_date': gse.metadata.get('submission_date', ['N/A'])[0]
            }

            # 発現データを保存
            if hasattr(gse, 'pivot_samples'):
                expr_df = gse.pivot_samples('VALUE')
                expr_df.to_csv(f"{destdir}/{gse_id}_expression.csv")
                results[gse_id]['num_genes'] = len(expr_df)

        except Exception as e:
            print(f"Error processing {gse_id}: {e}")
            results[gse_id] = {'error': str(e)}

    # サマリーを保存
    summary_df = pd.DataFrame(results).T
    summary_df.to_csv(f"{destdir}/batch_summary.csv")

    return results

# 複数のデータセットを処理
gse_list = ["GSE100001", "GSE100002", "GSE100003"]
results = batch_download_geo(gse_list)

スタディ間でのメタ解析:

import GEOparse
import pandas as pd
import numpy as np

def meta_analysis_geo(gse_list, gene_of_interest):
    """スタディ全体での遺伝子発現のメタ解析を実行"""
    results = []

    for gse_id in gse_list:
        try:
            gse = GEOparse.get_GEO(geo=gse_id, destdir="./data")

            # プラットフォーム注釈を取得
            gpl = list(gse.gpls.values())[0]

            # プラットフォームで遺伝子を検出
            if hasattr(gpl, 'table'):
                gene_probes = gpl.table[
                    gpl.table['Gene Symbol'].str.contains(
                        gene_of_interest,
                        case=False,
                        na=False
                    )
                ]

                if not gene_probes.empty:
                    expr_df = gse.pivot_samples('VALUE')

                    for probe_id in gene_probes['ID']:
                        if probe_id in expr_df.index:
                            expr_values = expr_df.loc[probe_id]

                            results.append({
                                'study': gse_id,
                                'probe': probe_id,
                                'mean_expression': expr_values.mean(),
                                'std_expression': expr_values.std(),
                                'num_samples': len(expr_values)
                            })

        except Exception as e:
            print(f"Error in {gse_id}: {e}")

    return pd.DataFrame(results)

# TP53 のメタ解析
gse_studies = ["GSE100001", "GSE100002", "GSE100003"]
meta_results = meta_analysis_geo(gse_studies, "TP53")
print(meta_results)

インストールとセットアップ

Python ライブラリ

# 主要な GEO アクセス ライブラリ (推奨)
uv pip install GEOparse

# E-utilities と NCBI プログラマティック アクセス用
uv pip install biopython

# データ解析用
uv pip install pandas numpy scipy

# 可視化用
uv pip install matplotlib seaborn

# 統計解析用
uv pip install statsmodels scikit-learn

設定

NCBI E-utilities アクセスをセットアップします。

from Bio import Entrez

# 常にメールを設定 (NCBI で必須)
Entrez.email = "your.email@example.com"

# オプション: レート制限を増やすため API キーを設定
# API キーは以下で取得: https://www.ncbi.nlm.nih.gov/account/
Entrez.api_key = "your_api_key_here"

# API キー使用時: 10 リクエスト/秒
# API キー未使用: 3 リクエスト/秒

一般的な使用例

トランスクリプトミクス研究

• 特定条件の遺伝子発現データをダウンロード
• スタディ間で発現プロファイルを比較
• 差分発現遺伝子を特定
• 複数のデータセット間でメタ解析を実行

薬物反応スタディ

• 薬物治療後の遺伝子発現変化を解析
• 薬物反応のバイオマーカーを特定
• セルラインまたは患者間での薬物効果を比較
• 薬物感受性の予測モデルを構築

疾病生物学

• 疾病対正常組織の遺伝子発現を研究
• 疾病関連発現シグネチャーを特定
• 患者サブグループと疾病ステージを比較
• 発現と臨床転帰を相関させる

バイオマーカー発見

• 診断または予後マーカーをスクリーニング
• 独立したコホート間でバイオマーカーを検証
• プラットフォーム間でマーカーパフォーマンスを比較
• 発現と臨床データを統合

主要概念

SOFT (Simple Omnibus Format in Text): メタデータとデータテーブルを含む GEO の主要なテキスト形式。GEOparse で簡単に解析可能。

MINiML (MIAME Notation in Markup Language): GEO データの XML 形式。プログラマティック アクセスとデータ交換に使用。

Series Matrix: サンプルを列として、遺伝子/プローブを行として含むタブ区切り発現マトリックス。発現データ取得に最速形式。

MIAME Compliance: マイクロアレイ実験に関する最小情報。GEO がすべての提出物に強制する標準化注釈。

発現値タイプ: 異なるタイプの発現測定 (生信号、正規化、ログ変換)。常にプラットフォームと処理方法を確認。

プラットフォーム注釈: プローブ/フィーチャー ID を遺伝子にマップ。発現データの生物学的解釈に不可欠。

GEO2R Web ツール

コーディングなしで迅速に解析するには GEO2R を使用します。

• GEO に統合された Web ベースの統計解析ツール
• アクセス: https://www.ncbi.nlm.nih.gov/geo/geo2r/?acc=GSExxxxx
• 差分発現解析を実行
• 再現性のため R スクリプトを生成
• データをダウンロードする前の探索的解析に有用

レート制限とベストプラクティス

NCBI E-utilities レート制限:

• API キー未使用: 3 リクエスト/秒
• API キー使用: 10 リクエスト/秒
• リクエスト間に遅延を実装: time.sleep(0.34) (API キー未使用) または time.sleep(0.1) (API キー使用)

FTP アクセス:

• FTP ダウンロードのレート制限なし
• 大量ダウンロード時の優先方法
• wget -r でディレクトリ全体をダウンロード可能

GEOparse キャッシング:

• GEOparse は自動的にダウンロードしたファイルを destdir にキャッシュ
• 後続の呼び出しはキャッシュされたデータを使用
• ディスク容量を節約するため定期的にキャッシュをクリア

最適なプラクティス:

• シリーズレベルのアクセスには GEOparse を使用 (最も簡単)
• メタデータ検索とバッチクエリには E-utilities を使用
• 直接ファイル ダウンロードと大量操作には FTP を使用
• 繰り返しダウンロードを避けるためローカルにデータをキャッシュ
• Biopython 使用時は常に Entrez.email を設定

リソース

references/geo_reference.md

以下の内容をカバーする包括的なリファレンス ドキュメント:

• 詳細な E-utilities API 仕様とエンドポイント
• 完全な SOFT および MINiML ファイル フォーマット ドキュメント
• 高度な GEOparse 使用パターンと例
• FTP ディレクトリ構造とファイル命名規約
• データ処理パイプラインと正規化方法
• 一般的な問題のトラブルシューティングとエラー処理
• プラットフォーム固有の考慮事項と癖

技術的な詳細、複雑なクエリパターン、または一般的でないデータ形式を扱う場合はこのリファレンスを参照してください。

重要な注記

データ品質に関する考慮事項

• GEO はユーザー提出データを様々な品質基準で受け入れ
• 常にプラットフォーム注釈と処理方法を確認
• サンプルのメタデータと実験計画を検証
• スタディ間のバッチ効果に注意
• 一貫性のために生データの再処理を検討

ファイルサイズの警告

• シリーズマトリックス ファイルは大きい場合がある (大規模スタディ では >1 GB)
• 補足ファイル (CEL ファイルなど) は非常に大きい場合がある
• ダウンロード前に適切なディスク容量を計画
• サンプルを段階的にダウンロードすることを検討

データ使用法と引用

• GEO データは研究目的で無料で利用可能
• GEO データを使用する場合は常に元の研究を引用
• GEO データベースを引用: Barrett et al. (2013) Nucleic Acids Research
• 個別データセットの使用制限 (ある場合) を確認
• NCBI のプログラマティック アクセスガイドラインに従う

一般的な問題

• 異なるプラットフォームは異なるプローブ ID を使用 (注釈マッピングが必要)
• 発現値は生、正規化、またはログ変換されている可能性 (メタデータを確認)
• スタディ間でサンプルメタデータの形式が一貫していない場合
• すべてのシリーズにシリーズマトリックス ファイルがあるわけではない (古い提出物)
• プラットフォーム注釈は廃止されている可能性 (遺伝子名が変更、ID が非推奨)

追加リソース

• GEO Website: https://www.ncbi.nlm.nih.gov/geo/
• GEO Submission Guidelines: https://www.ncbi.nlm.nih.gov/geo/info/submission.html
• GEOparse Documentation: https://geoparse.readthedocs.io/
• E-utilities Documentation: https://www.ncbi.nlm.nih.gov/books/NBK25501/
• GEO FTP Site: ftp://ftp.ncbi.nlm.nih.gov/geo/
• GEO2R Tool: https://www.ncbi.nlm.nih.gov/geo/geo2r/
• NCBI API Keys: https://ncbiinsights.ncbi.nlm.nih.gov/2017/11/02/new-api-keys-for-the-e-utilities/
• Biopython Tutorial: https://biopython.org/DIST/docs/tutorial/Tutorial.html