做生信分析，90的人都在问这个。搞混这两个数据库，项目直接废掉。

读完这篇，你再也不怕搞砸数据收集。

我见过太多新手，把TCGA当公共数据狂下。结果发现根本没法做差异分析。

因为TCGA没有配对临床信息时，很多样本是匹配的。但GEO里大多是独立样本。

这就是geo和tcga有什么区别的核心。不懂这点，你只能在那边哭。

我先说结论。

TCGA是癌症全景图，GEO是散落的宝石。

TCGA的数据质量高，但是只针对特定癌症。

它的样本量很大，通常有几千个。但仅限于那几种高发癌种。

比如肺癌、胃癌、乳腺癌。如果你想找罕见病，去TCGA就是浪费时间。

这时候就得看GEO。

GEO就像个杂货铺，什么都有。

但是问题也大，数据格式乱七八糟。

有些数据集连预处理都没做，直接给你原始矩阵。

这时候就要小心了，如果你不知道geo和tcga有什么区别，很容易踩雷。

比如上次有个学生，下了GEO数据就直接跑差异分析。

结果P值全是0.05以上。

后来我发现，他忘了去除批次效应。

GEO的数据来自世界各地，不同实验室用的芯片不一样。

有的用Illumia，有的用Affymetrix。

这导致数据之间偏差巨大。不处理的话，结论全错。

再说个真金白银的坑。

很多人觉得TCGA是免费的。

确实免费，但是数据获取流程繁琐。

你需要向dbGap申请权限。

这个过程可能要等一两个月。

而且有些数据只能本地下载，不能随意共享。

如果你急着出文章，这种等待真的让人崩溃。

反观GEO，大部分数据点一下鼠标就能下。

速度极快，方便测试代码。

但是，GEO的临床信息往往不全。

有的数据集只给了一行简单的描述。

性别、年龄、生存期这些关键信息，可能缺失了一半。

这就导致后续生存分析很难做。

所以，怎么选择很重要。

如果你的课题是找通用的分子机制。

TCGA更靠谱，因为注释全，配套工具多。

现在有很多现成的R包，一键就能分析。

但如果你研究的是特定条件下的基因表达。

比如某种药物处理前后的变化。

TCGA里可能根本没有这类数据。

这时候GEO就是唯一选择。

不过用GEO前，一定要仔细筛选数据集。

看样本量是不是太小。

看有没有重复的配对样本。

我之前遇到过，一个GEO数据集声称有100个样本。

结果仔细看meta数据，只有50个。

另外一半是质量控制被剔除的。

这种细节不注意，结果肯定不严谨。

还有一个常见的错误。

把不同平台的数据直接合并。

比如把HGU133A芯片和RNA-seq混在一起跑。

这是绝对不行的。

技术平台不同，数值分布完全不同。

强行合并只会得到一堆垃圾数据。

除非你会做复杂的Batch Correction。

否则别尝试。

最后说说怎么省钱省时间。

如果你只是初学者，想练手。

先用TCGA。

数据干净，文档齐全。

哪怕复制粘贴代码，也能跑通。

等你熟练了，再挑战GEO。

学会怎么清洗那些脏数据。

这才是高手的标志。

切记，不要用geo和tcga有什么区别来逃避学习。

这是你需要掌握的基本功。

不然以后导师问起来，你支支吾吾说不清楚。

那才叫丢脸。

现在知道怎么选了么？

如果还有疑问。

或者手里有一堆GEO数据不知道怎么清洗。

可以私信我。

我帮你看看数据质量。

毕竟，数据不对，努力白费。