拿到数据那一刻，我通常想骂人。

为什么？

因为原始数据太脏。

这篇内容只解决一个问题：

如何把你手里那些乱七八糟的geo和tcga数据，变成能直接跑进代码里的干净货色。

我不讲虚的。

只讲干货，只讲我踩过的坑。

先说TCGA。

大家觉得它高大上。

公共数据库，官方整理，稳如老狗。

真的吗？

错。

你以为下载下来就是表达矩阵。

其实里面全是元数据陷阱。

比如样本ID。

TCGA的样本ID是一串长字符。

你要把临床信息和表达矩阵对上号。

差一个字符，结果全错。

我以前有个学生，熬夜三天对坐标。

最后发现，把"primary"打成"primery"。

样本全废了。

所以，TCGA标准化第一步，是核对ID。

别偷懒。

用代码去重。

用脚本去比对。

人工核对？

别信自己。

电脑比你靠谱。

再来说GEO。

GEO简直是数据混乱的集大成者。

每个项目作者写法都不一样。

有的用GPL平台注释。

有的直接用原始CEL文件。

更有的，注释文件根本找不到。

我之前接了个外包。

客户给了一堆GSE编号。

让我跑差异分析。

我打开一看。

心态崩了。

有的样本是2万多个基因。

有的只有几万个。

有的还是探针ID。

有的已经是log2转换过的值。

混在一起跑？

那就是制造垃圾数据。

垃圾进，垃圾出。

这就是所谓的“垃圾进，垃圾出”定律。

在数据标准化这条路上，没有捷径。

必须做批量校正。

面对GEO数据，最头疼的就是批次效应。

不同年代测的数据，平台不同，实验室不同。

甚至同一个实验室，换了一批试剂。

数据分布都他妈不一样。

你以为这只是小差异。

其实这会掩盖真正的生物学信号。

我见过太多文章，因为没做ComBat校正，结果假阳性一堆。

审稿人一眼就能看出来。

直接拒稿。

这时候，你要做的标准化，不仅仅是量纲统一。

更是分布对齐。

对于TCGA，通常直接取log2(x+1)就够了。

对于GEO，要看情况。

如果是原始强度值，必须做RMA或者GCRMA预处理。

如果是FPKM或TPM，要转成log2。

记住一点。

不要把所有数据混在一起标准化。

除非你确定批次效应已经消除。

不然就是自欺欺人。

这里有个真实案例。

一家药企，想用公开数据找靶点。

数据是从GEO扒的。

直接拿来聚类。

结果cluster出来的分组，完全对应的是样本来源年份。

而不是疾病类型。

这数据还有用吗？

没用。

这就是没做好标准化的代价。

所以，geo和tcga数据标准化，核心在于“一致化”。

基因ID转换。

一定要用最新的注释文件。

hg38还是hg19，得搞清楚。

别拿10年前的注释跑现在的分析。

那是穿越时空，不是做科研。

探针映射基因。

一对多？

多对一？

保留最大值。

或者取平均。

这步很关键。

一旦映射错误，后续的维恩图、热图，全都不准。

还有缺失值处理。

很多数据集里，基因表达为0。

是真的没表达，还是检测不到？

如果是检测不到，不能直接填0。

可以填一个小数，比如0.001。

或者直接剔除低表达基因。

这部分工作，看似繁琐。

却是决定你文章下限的关键。

我不希望看到你们拿着半成品数据，在那吹嘘发现新机制。

基础没打牢，楼建不高。

标准化过程，其实是对数据的二次解读。

你得懂数据是怎么来的。

你得知道每个参数调整背后的意义。

别当代码搬运工。

要做数据的审判官。

最后说句心里话。

做生物信息，耐得住寂寞，才能守得住繁华。

那些深夜里调整参数的身影。

那些反复检查ID的瞬间。

都是你未来的底气。

希望这篇分享，能帮你省下半夜崩溃的时间。

别懒。

细节决定成败。

尤其是处理geo和tcga数据标准化时，稍微细心一点，世界都会对你温柔很多。