做了11年生信分析，今天必须说点大实话。

最近后台好多粉丝问，ICGC数据库可以代替geo吗？

看着ICGC那几百TB的数据，我也心动过。

毕竟人家是国际癌症基因组联盟，背景硬。

但说实话，真到了跑代码那天，你会发现坑多得像筛子。

先说个真事。

去年有个学生，为了省时间，直接用ICGC的数据跑差异表达。

结果呢？

样本量看着大，但临床信息少得可怜。

你想做生存分析？

不好意思，随访数据缺失率高达40%。

而GEO呢？

虽然杂乱，但人家有详细的临床表型。

这就好比，ICGC给你一堆顶级食材，但没告诉你怎么切；GEO给你一堆半成品，但标签贴得清清楚楚。

对于新手来说，GEO的“乱”反而是一种保护。

因为报错的时候，你知道去哪找元数据。

ICGC一旦出错，你连报错原因都摸不着头脑。

再聊聊数据质量。

很多人觉得ICGC是官方数据，肯定比GEO干净。

错！

大错特错！

我对比过两个平台同一癌种的数据。

GEO里有些批次效应，但通过ComBat一校正，基本能看。

ICGC呢？

不同中心测序平台不一样，有的用Illumina，有的用MGI。

这批次效应，比GEO还难搞。

有一次我为了对齐ICGC的数据，花了整整两周调参数。

最后发现，还是GEO里那几个经典数据集好用。

别不信，看看同行都在干嘛。

大多数高分文章，基石数据还是GEO。

为什么？

因为可重复性高。

你拿GEO的数据，别人能复现你的结果。

拿ICGC？

人家可能连原始fastq文件都下不到，或者下载链接早就失效了。

这就叫“数据孤岛”。

当然，ICGC也不是没用。

如果你做的是深度突变分析，或者需要验证某些罕见变异，ICGC确实有优势。

但如果是做转录组、做生物标志物筛选，我强烈建议你先从GEO入手。

这里有个小细节要注意。

GEO的数据下载，有时候会断连。

别慌，换个镜像源，或者用Aspera工具，速度能快十倍。

ICGC的下载更麻烦，还得注册账号，审核周期长。

对于赶毕业的学生来说，时间就是生命。

别在注册账号上浪费三天。

最后说个观点。

ICGC数据库可以代替geo吗？

短期看，不能。

长期看，也许能，但前提是它的临床数据要完善。

现在这个阶段，两者互补才是王道。

用GEO找方向，用ICGC做验证。

这才是老鸟的玩法。

别指望一个数据库解决所有问题。

生信分析，拼的不是谁的数据多，而是谁的数据准。

准，才能发文章。

准，才能被引用。

准，才能让你老板满意。

所以，下次再有人吹ICGC多牛，你先问问他：临床信息全不全？

如果不全，那就趁早收手。

别把自己逼进死胡同。

记住，工具是死的，人是活的。

选对工具，事半功倍；选错工具，徒劳无功。

希望这篇大实话，能帮你省下几个通宵。

毕竟，头发只有一根根掉，没了可就长不回来了。

加油吧，生信人。

本文关键词：icgc数据库可以代替geo