做生信分析的兄弟姐妹们，是不是刚交完GEO数据就被导师或审稿人质疑格式不对？别慌，这篇文章直接告诉你为什么你的原始数据常被判定为不合格，以及如何一步到位通过审核，省去反复返修的折磨。

说实话，刚接触GEO提交系统的时候，我真的挺懵的。

明明文件都齐了，怎么就卡在“原始数据”这一步？

后来踩了好几个坑，才摸清门道。今天就把这些血泪经验写下来，帮你避坑。

先说核心问题。很多小伙伴以为原始数据就是那个FASTQ文件或者CEL文件。

其实不然。GEO要的是最原始的、未经任何处理的机器输出文件。

你如果在本地用FastQC跑了一遍，或者用Trim Galore去掉了接头，这就不再是原始数据了。

记住这个逻辑：仪器读出来的直接拷贝才是王道。

第一步，去服务器或者电脑里找原始文件夹。

通常生物信息流程跑完，我们会把中间结果放在一个干净的文件夹里。

这时候别手痒，别去整理文件，别去重命名。

直接找到测序公司给的原始下载链接里的内容。

如果是自家机器做的，找到BaseCall软件生成的原始输出目录。

第二步，检查文件格式。

常见的原始数据格式包括fastq.gz, sra, cel等。

注意，fastq文件如果是.gz压缩的，确保没有解压。

如果是CEL文件，确保它是Affymetrix芯片直接导出的二进制文件。

千万别把它们转成txt或者csv，那是处理后的数据，会被判定为“GEO上传的原始数据是假的”，或者更准确地说，是被判定为不符合原始数据定义。

这里有个真实案例。

我有个学生，为了美观，把FASTQ文件解压了，还统一了文件命名规范，去掉了测序仪生成的复杂ID。

结果被GEO管理员打回，理由是“文件结构不清晰，且疑似经过人工干预”。

她郁闷了好久，重新去服务器拷贝了一份未处理的文件，才搞定。

第三步，整理Supplementary文件。

原始数据上传后，你需要一个metadata文件，也就是Soft格式的文件。

这个文件里要详细记录每个样本的测序类型、平台、文库类型。

这里有个细节，平台信息一定要和原始数据里的硬件信息一致。

比如你是Illumina HiSeq 4000，就别填HiSeq 2500。

虽然差别不大，但严谨起见，还是按说明书填。

第四步，打包上传。

把原始数据文件和Soft文件打包成zip或tar.gz。

注意压缩包的大小限制，如果单个文件太大，可能需要分卷压缩。

上传的时候，系统会扫描文件类型。

如果你混入了处理后的bam文件或wig文件，系统可能会报警。

尽量只包含最核心的原始文件。

还有一个容易被忽视的点，即伦理审查声明。

如果涉及人类样本，必须提供伦理批准号。

哪怕你的数据是公开可用的，也建议附上来源说明。

这样能避免很多后续的麻烦。

做完这些，大概能解决80%的问题。

当然，有时候系统抽风，上传了一半断了。

这时候别急着重传整个文件，试试断点续传，或者换个网络环境。

网络不稳的时候，上传大文件真的考验心态。

我有一次在实验室，网卡得飞起，上传中断了三次。

最后只好等到深夜，人少的时候才传成功。

这种感觉，懂的都懂。

最后，提交后等待审核。

一般几天内会有结果。

如果收到邮件说数据有问题，仔细看附件里的report。

它通常会指出具体哪个文件不对。

这时候按照提示修改，重新上传覆盖即可。

不要觉得麻烦，这是正常流程。

毕竟GEO是全球最大的基因表达阵列库，门槛高是必然的。

大家记住，原始数据的核心就是“原汁原味”。

不要为了整洁而牺牲真实性。

哪怕文件名是一堆乱码，只要内容是机器直接生成的，就能过。

希望这些步骤能帮你少掉几根头发。

生信这条路，本就是修修补补又三年。

加油，早日发顶刊！