真的受够了那些吹得天花乱坠的“免费数据挖掘文章”，看着就让人火大。上周我又帮一个做肿瘤学的师弟看数据，他哭丧着脸说，花了两千块找外面的脚本跑GEO乳腺癌耐药数据集，结果全是噪音，连个像样的差异基因都挑不出来。我一听就笑了，这钱花得太冤。其实做生信挖掘，最值钱的不是代码，而是你对数据的敏感度。今天我把压箱底的干货掏出来，别嫌麻烦，照着做，绝对比你去求爷爷告奶奶找教程管用得多。

第一件事，搞清洗。很多人拿到GEO的数据，不管三七二十一直接拿R语言跑差异分析，这种操作简直是暴力美学，但我看不起。你得先去GEO官网找到对应的那个Series Record。比如这次我们要看的GSE42568，这是个经典的老数据。注意看，它的platform是GPL570，这是Affymetrix Human Genome U133 Plus 2.0 Array。别急着下载CEL文件，现在大家都用表达矩阵，除非你是大神级别。下载下来后，你会看到一堆样本，有的标注是Tamox resistant（他莫昔芬耐药），有的是sensitive（敏感）。这里有个坑，很多文献里的表型描述很模糊，有的样本其实只是复发，而不是真正的耐药。你要是把这批样本混进去，结果能准才怪。我之前的一个客户，就是因为没剔除这几十个个例，最后出来的富集分析全是无关的代谢通路，被审稿人骂得狗血淋头。

第二步，找坐标，对批次效应。这一步最磨人，也最重要。拿到表达矩阵后，千万别急着PCA。你要先看看那些耐药样本和敏感样本，在PCA图上是不是分开了。如果混成一团，那说明数据有问题，或者你找的参考基因集不对。这里我要提一个长尾词：GEO乳腺癌耐药数据集 批次校正。很多时候，因为测序平台不同，或者采集时间跨度大，批次效应比生物学差异还大。我用limma包去掉批次后，发现真正的耐药相关基因也就几百个。你要是直接硬跑，出来的几万个基因，看着热闹，实际没用。我还特意去查了文献，确认这批数据里的耐药机制主要是ER阳性，所以如果看到大量HER2相关的通路富集，那大概率是数据噪声。这一点必须心里有数，不能盲目信算法。

第三步，验证，验证，再验证。你以为挖掘完就结束了？天真。我见过太多人把GEO的结果直接发文章，结果被质疑数据来源单一。这时候，你得去TCGA数据库里找乳腺癌数据，把GEO里筛出来的那几个关键基因（比如ESR1或者AKT1之类的），在TCGA的大队列里验证一下生存曲线。如果GEO里上调的基因，在TCGA里是低表达且预后差的，那这逻辑就通了。这个过程很繁琐，要下好几个文件，要对半天表头。但我告诉你，只有这样出来的结果，才经得起推敲。我上次帮一个学生把关，就是因为她在TCGA验证时发现那个基因和总生存期毫无关系，赶紧让她停了，不然延毕都是轻的。最后记得整合一下所有图表，PPT做得丑点没事，关键数据要清晰。别为了美观去伪造颜色，导师一眼就能看出来你心虚。记住，科研这东西，诚实比完美重要一万倍。虽然过程很痛苦，经常对着屏幕发呆两小时只想骂人，但当看到那些杂乱无章的数据终于呈现出清晰的生物学意义时，那种爽感，千金不换。希望这篇笔记能帮你少掉几根头发，毕竟头发也挺贵的。