做生信这行十年，我见过太多新手死磕在数据合并这一步。很多人以为把TCGA和GEO的数据扔进R语言里跑个merge就完事了，结果发出来的图全是乱码，或者P值显著得离谱，审稿人一看就知道是批次效应没处理好。今天我不讲那些虚头巴脑的理论，直接上干货，聊聊怎么把这两个“冤家”真正捏合在一起。

说实话，TCGA和GEO数据集合并这事儿，真不是简单的1+1=2。TCGA的数据质量高，标准化做得好，但样本量相对固定；GEO呢，数据量大，各种平台都有，但噪音也大，就像菜市场里的菜，得挑着洗。我之前带过一个学生，急着发文章，没做标准化直接合并，结果聚类图里样本按平台分，而不是按疾病状态分，那场面简直尴尬。

第一步，必须得做平台映射和基因过滤。这是基础中的基础。GEO里有些探针对应多个基因，或者根本匹配不上，你得把这些脏数据剔除。别嫌麻烦，这一步省不得。我一般建议用biomaRt包，把GEO的探针ID转成Entrez ID或者Symbol，跟TCGA对齐。这里有个坑，就是不同平台对同一个基因的注释可能不一样，比如有的叫TP53，有的叫p53，你得统一命名。别信网上那些一键转换的代码，大多有bug，自己得一个个核对。

第二步，批次效应校正，这是最核心的。很多人用ComBat，觉得好用就完事了。但我得说，ComBat虽好，别滥用。如果你的样本量太小，或者组间差异极大，ComBat可能会把生物学信号也一起抹掉。我有个案例，是肺癌数据，合并后做PCA，发现肿瘤和正常样本混在一起了，后来发现是校正过度。这时候得看PCA图，如果组内聚集性好，组间分离明显，那才是对的。如果实在拿不准，可以用sva包里的removeBatchEffect，或者试试Harmony，最近挺火的，对高维数据效果不错。记住，校正不是目的，保留生物学差异才是王道。

第三步，验证和可视化。合并完别急着分析，先画个火山图或者箱线图，看看关键基因的表达分布是否合理。比如看几个管家基因，像GAPDH、ACTB，它们在两组里的表达应该差不多。如果管家基因都抖得厉害，那说明合并出了问题。我通常还会挑几个已知标志物，比如肺癌里的EGFR，看看在合并后的数据里是不是能跑出显著差异。这一步能帮你排除掉80%的低级错误。

最后，我想说，TCGA和GEO数据集合并不是为了凑样本量，而是为了增强统计效力。别为了合并而合并，如果两个数据集差异太大，强扭的瓜不甜。有时候，单独分析TCGA，再拿GEO做验证，反而更稳妥。但如果你非要合并，那就得沉下心来，把每一步都踩实了。

这行干久了，你会发现，工具只是辅助，思路才是关键。别总想着走捷径，那些看似简单的代码背后，都是前人踩过的坑。希望这篇能帮你少走弯路，毕竟头发掉得够多了，没必要再因为数据合并这种基础问题加班到凌晨。

本文关键词：TCGA和GEO数据集合并