做生物信息分析这行，最烦的就是看着满屏的报错和毫无逻辑的散点图发呆。特别是搞GEO数据的时候，很多人拿到下载好的表达矩阵，兴奋劲儿还没过，转头就开始画ROC曲线求AUC值，想证明自己的差异基因牛逼。结果呢？AUC算出来0.6多，或者干脆报错，心里那个憋屈啊，懂的都懂。今天我就把压箱底的经验掏出来，聊聊GEO数据做ROC曲线那些事儿，保证让你少走弯路。

先说个真事。上个月有个哥们找我救火，说他跑出来的ROC曲线全是乱码，AUC值低得可怜。我一看他的原始数据，好家伙，直接拿原始探针ID去分析，连背景校正都没做，还混合了不同平台的芯片数据。这哪是做分析，这是在做破坏实验。GEO数据库里的数据，那叫一个杂乱无章，有的样本量小得可怜，有的批次效应强得离谱。你要是直接拿过来就画ROC，那结果能准才有鬼了。

做GEO数据做ROC曲线，第一步绝对不是画图，而是数据清洗。这一步做不好，后面全是白搭。我见过太多人跳过这一步，直接上limma或者edgeR跑差异分析，然后挑几个P值小的基因画ROC。这种操作在同行评审面前根本站不住脚。你得先看看样本的聚类情况，PCa图要是分得乱七八糟，说明批次效应或者实验设计有问题。这时候你得用ComBat或者SVA去校正，别嫌麻烦，这一步能救命。

再说说那个让人头秃的阈值选择。很多人问我，AUC多少算好？0.7以上勉强能看，0.8以上才算优秀，0.9那就是神了。但你要记住，GEO数据做ROC曲线的时候，AUC值往往会被高估。为什么？因为很多研究用的是经过筛选的病例组和对照组，样本偏差太大。我在处理一个肺癌数据集的时候，最初算出来的AUC是0.85，看着挺美。后来我把所有样本随机打乱，重新分组，AUC直接掉到0.6。这说明啥？说明之前的模型过拟合了。所以，交叉验证必不可少。别偷懒，五折交叉验证跑起来，看看AUC的波动范围。如果波动太大，说明你的标志物不稳定，赶紧换基因。

还有个坑，就是多重检验校正。GEO数据动辄几万个基因，你挑几个显著的画ROC，这本身就是一种P-hacking。你得在画ROC之前，先用LASSO回归或者随机森林筛选出最核心的几个基因组合。单基因ROC往往不如多基因组合稳健。我之前的一个项目，单基因AUC只有0.65，组合了三个基因后，AUC提升到了0.82，而且稳定性好得多。这才是临床转化的潜力股。

最后，画图的时候别只用ggplot2随便一画就完事。坐标轴标签要清晰，置信区间要加上。很多审稿人第一眼就看你的95% CI，如果CI宽得能装下大象，那这个结果基本可以忽略。我在发文章的时候，特意把CI画得显眼点，虽然有时候数据不好看，但至少诚实。

总之，GEO数据做ROC曲线不是点几下鼠标的事。它是对数据理解深度的考验。别指望一键出图就能发高分文章。把数据清洗做扎实，把验证做充分，你的ROC曲线才能经得起推敲。别为了凑数而画图，要为了发现问题而分析。这才是做科研该有的态度。

本文关键词：GEO数据做ROC曲线