做了九年生信，见过太多小白一上来就对着NCBI GEO数据库生信分析一头雾水，最后头发掉了一把，结果连个像样的热图都画不出来。今天不整那些虚头巴脑的理论，咱们就聊聊怎么用最笨、最稳的方法，把GEO数据扒干净。

先说个真事儿。上个月有个粉丝找我救火，说老板让他三天内出一个差异分析结果，还要发文章。他直接去GEO官网搜了几个关键词，下载了一堆矩阵文件，然后打开R语言，报错报错还是报错。我一看他的代码，好家伙，连样本分组信息都没对齐，这能跑通才怪。GEO的数据格式那叫一个杂乱无章，有的用GPL平台，有的用GDS，还有的直接给的是CEL文件，不经过处理直接扔进软件里，那就是给电脑喂垃圾。

所以，做NCBI GEO数据库生信分析，第一步绝对不是打开R，而是“找对路”。

第一步，去GEO官网搜数据，别光看标题。很多文章标题写得高大上，什么“XX通路在XX癌症中的机制研究”，但你点进去看Series Record，发现样本量才5个？或者发现是单细胞测序？如果你做的是Bulk RNA-seq，千万别下单细胞的数据，那量级和处理逻辑完全不一样。另外，一定要看“Platform”那一栏。比如你看到GPL570，这是Affymetrix Human Genome U133 Plus 2.0 Array，老平台了，探针注释得用专门的包。如果你没注意这个，直接拿通用注释，那结果全是NA，白干。

第二步，下载数据并清洗，这是最磨人的环节。很多人觉得下载个Series Matrix File (.txt)就行，省事。但我强烈建议你下载原始数据，或者至少下载那个带注释的Matrix。下载下来后，用Excel打开，你会发现第一行全是乱码或者探针ID。这时候，别急着转行成列。你要先确认一下，这个文件的行是基因，列是样本，还是反过来。大多数GEO矩阵文件，行是探针，列是样本。你需要用R语言或者Python，把探针ID转换成Gene Symbol。这里有个坑，一个探针可能对应多个基因，或者多个探针对应同一个基因。这时候别偷懒，取平均值或者取表达量最高的那个。别信网上那些一键转换的在线工具，很多都过时了，或者注释库版本不对，导致你分析出来的基因名字跟文章里对不上。

第三步，差异分析和可视化。这一步大家都会，用limma或者DESeq2。但要注意，GEO数据很多是微阵列数据，方差小，用limma更稳；如果是测序数据，用DESeq2。设定阈值的时候，别死板地用p<0.05, |logFC|>1。你可以适当放宽，比如|logFC|>0.585（相当于2倍），看看有没有有意思的基因。画火山图和热图的时候，记得把P值校正一下，用FDR。不然你画出来的图，全是红红绿绿的点，根本看不出什么规律。

最后，我想说，做NCBI GEO数据库生信分析，核心不是代码多牛逼，而是你对数据的敏感度。你得知道这个数据是从哪来的，谁做的，有没有批次效应。如果多个数据集合并，一定要做ComBat校正，不然批次效应能把你的生物学信号盖得死死的。

别怕麻烦，前期花两天时间整理数据，比后期花两周时间改bug强得多。生信这行，拼的不是谁跑得快，是谁跑得稳。希望这些大实话，能帮你在GEO数据的海洋里，少踩几个坑。

本文关键词：ncbi geo数据库生信分析