最近好多做生物信的朋友问我，GEO的数据集怎么选择最靠谱？说实话，这个问题比“先有鸡还是先有蛋”还难回答。毕竟每个实验背景完全不同。

我刚入行那会儿，也是盲目跟风。看人家发高分文章，什么癌症通路、免疫浸润，我就全抄一遍。结果呢？数据一跑，全是噪音。P值显著，生物学意义为零。那感觉，真的比失恋还难受。

其实，挑GEO数据集，核心就两点：一是“有用”，二是“能跑通”。别一上来就盯着那个几百个样本的大数据看，先看看它的质量报告。

我通常先看GPL平台信息。比如做人类转录组，你就得确认平台是不是最新的HG-U133 PLUS 2.0，或者更现在的Illumina系列。要是拿着十年前的芯片数据去分析现在的单细胞差异基因，那就是纯扯淡。

记得去年接了个单，客户非要一个2005年的老数据集。结果探针映射失败率高达40%。花了两千块买数据，最后只够跑个PCA。这就是没提前看技术细节的坑。所以，GEO的数据集怎么选择，第一步永远是看平台注释文件。

再看样本量。别迷信大样本。有些小样本但重复极好，方差很小的数据，反而比那些几千个样本但批次效应严重的要好用得多。我看数据时，喜欢先下Raw数据看看分布。如果Boxplot看起来乱七八糟，各组之间连个基本趋势都没有，直接Pass，省得浪费时间。

还有一点特别重要，元数据要全。临床信息、分组标签、处理时间，这些必须要在Series里写清楚。我遇到过最坑的是，样本表里只写了Tumor和Normal，却不知道怎么分期的。那这数据拿来做什么预后模型？纯属浪费算力。

关于隐私和伦理，现在查得严。要是发现数据里有患者真实姓名或者身份证号，千万别下，也别说我没提醒你。虽然GEO一般会给脱敏处理，但偶尔也能看到疏忽的案例。这种数据，发了文章也会被撤稿，得不偿失。

价格方面，公开数据免费，但如果你不会爬取，网上有人卖清洗好的。一般一个成熟的小队列数据集，清洗好的价格在200到500元不等。如果是定制化的，比如你要特定癌症亚型的数据，可能需要找专门的代理，那就要上千了。但我建议，尽量自己下，自己洗。这才是本事。

很多人不知道，怎么批量下GEO的数据？用GEO2R虽然简单，但对于复杂的设计不适合。这时候GEO的数据集怎么选择就成了关键，你得选那些有多个Replicates的Series。比如GSExxxx里的每个GSM文件都包含生物重复。

另外，注意数据更新的频率。GEO不是静态的，有些Series会补充新的批次数据。如果你在半年前下过，现在去官网看看是不是有新条目关联。过时的分析策略，比如用limma去跑RNA-seq的计数数据而不做标准化，是典型的老黄历，千万别用。

最后给点真心建议。别贪多。选一个最适合你假设的数据集，深挖它。哪怕只有20对样本，只要做得深，也能出彩。要是为了凑数选一堆垃圾数据，最后做出来的图再漂亮，审稿人一眼就能看穿。

如果你对具体某个疾病的数据源没底，或者不知道某个平台的探针怎么处理最好，可以直接来聊。咱们不整虚的，只看数据质量。毕竟，好的数据源是成功的一半。

别等到数据下下来发现不能跑，再来后悔莫及。那时候，黄花菜都凉透了。