本文关键词：GEO怎么看表达谱

搞生信这行九年，见过太多新手拿到GEO数据就头大，对着密密麻麻的矩阵发呆。这篇东西不整虚的，直接告诉你怎么从GEO里扒出能用的表达谱，少走半年弯路。

刚入行那会儿，我也觉得GEO界面反人类，找几个样本的FPKM值能找半天。其实核心就两步：找对平台，下对文件。别一上来就想着跑流程，先把数据源头搞明白，后面能省一半力气。

第一步，确定你的物种和平台。很多人懒得看，直接搜个病名就下载。大忌！比如你研究小鼠乳腺癌，结果下了个人类的数据，或者平台ID搞错了，后面全白搭。在GEO首页搜关键词，点进那个GSE编号的主页。这时候别急着点下载，先看“Series Matrix File(s)”。这个文件通常是txt或.gz格式，里面包含了整理好的表达矩阵，比下原始CEL文件快得多，也省事。对于新手，强烈建议直接下Matrix文件，除非你要做极深度的原始数据质控。

第二步，读懂那个Matrix文件。用Excel或者R打开，你会发现第一列是探针ID（Probe ID），第一行是样本名称。这里有个坑，探针ID和基因名不是一一对应的。有的探针对应多个基因，有的基因对应多个探针。如果你直接拿探针ID去查差异，结果肯定乱七八糟。这时候需要做个映射，把探针ID转成Gene Symbol。R语言里有各种包，比如hgu133plus2.db，根据你下载的平台号选对应的包。这一步要是没做好，后面画图全是噪点。

第三步，提取表达量矩阵。Matrix文件里通常会有几个矩阵，比如“Expression Matrix”和“Normalized Matrix”。一般情况用Normalized Matrix（标准化后的数据）就够了，特别是用RMA算法处理过的数据，可以直接用来做差异分析。如果你发现数据里有大量负值或者极端异常值，那可能是没处理好的原始数据，这时候得回去检查平台信息，或者重新下载原始文件自己跑流程。

举个真实的例子。去年有个做肺癌的朋友，直接下了一个GSE数据集，没看平台号，用了通用的映射表，结果发现很多基因表达量是NA。折腾了一周才发现，那个平台是Affymetrix Human Genome U133 Plus 2.0 Array，但他用的映射包版本太老，很多新注释的基因没涵盖进去。后来换了最新的Annotation包，问题立马解决。这就是细节决定成败。

还有，关于GEO怎么看表达谱，很多人忽略了样本的分组信息。在GEO主页的“Sample”标签页里，仔细看每个样本的Series Matrix关联信息。有时候，实验组和对照组的标签混在一起，你得自己根据“characteristics_ch1”这一列手动分组。别指望软件能自动识别，那是人工活。

最后，别迷信一键下载工具。虽然有些插件能自动下载，但往往带不全元数据。自己手动整理一下样本信息，哪怕是用Excel简单做个表格，记录清楚每个样本属于哪个组、有没有批次效应，这对后续分析至关重要。

GEO怎么看表达谱，其实没那么神秘。就是细心点，多看一眼平台信息，多核对一下样本分组。别怕麻烦，前期多花十分钟，后期能省十小时。希望这些经验能帮你避坑，毕竟咱们做研究的，时间都挺宝贵的。