前两天有个做硕士研究的小弟拿着几百G的数据来找我，急得满头大汗，说老板让他做差异表达分析，但他死活搞不懂这数据到底是哪来的。我扫了一眼他的元数据文件，差点没笑出声。很多人一听到GEO数据库，第一反应就是：“这是个啥黑科技？是二代测序还是高通量芯片？”其实这是个巨大的误区。GEO是测序还是芯片？这个问题的答案根本不是非黑即白的。

GEO全称Gene Expression Omnibus，它就是一个公共的大仓库，里面塞满了各式各样的基因表达数据。你想啊，实验室那么多，大家用不同的技术跑实验，最后都得交数据上去吧？所以，GEO里既有早期的Affymetrix芯片数据，也有现在海量的RNA-Seq测序数据，甚至还有甲基化芯片、蛋白质组学数据等等。你搜到一个GEO登录号，里面可能是测序，也可能是芯片，全看当初那个作者怎么做的。

我第一次接触这行的时候，也吃过这个亏。那时候我不懂，随便挑了几个数据集下载下来，发现数据矩阵长得不一样，有的行列数特别整齐，像是网格状的，我就以为是测序数据。结果一查背景资料，才发现是微阵列芯片。芯片数据通常是经过预处理后的信号值，比如FPM或者经过bgc校正的强度值；而测序数据一般是Read Count或者TPM等标准化后的计数矩阵。搞混了这俩，后续的分析软件参数都得换，简直就是灾难。

那么，怎么快速判断你手里的GEO数据是测序还是芯片呢？这里给大家几个最实战的步骤，建议收藏备用。

第一步，看平台信息。去GEO官网上输入你关注的GEO ID，找到GPL（平台）那一栏。如果你看到的平台名字里带“GeneChip”、“Array”或者“Affymetrix”、“Agilent”、“Illumina HT-12”这类字眼，基本就是芯片。反之，如果平台描述里写着“Illumina HiSeq 2000”、“NovaSeq 6000”或者是“RNA-Seq”、“Whole Transcriptome”，那肯定是测序数据。这一步最直观，但也容易因为平台命名混乱而看走眼，所以需要结合第二步。

第二步，看数据类型和文件后缀。通常芯片数据下载下来，原始文件往往是CEL文件，处理后可能是series matrix file，里面的数值可能是小数，也可能是整数，但绝对值范围不像测序那么夸张。测序数据呢，原始文件通常是fastq格式，你需要先做比对和定量得到count matrix，或者GEO直接提供pre-processed的数据。如果你在GEO页面看到下载链接里明确标注了“Soft”文件，且里面包含的是log2 transform后的数据，这大概率是芯片或者经过特殊处理的测序数据。

第三步，也是最容易忽略的，看Series Matrix File的表头。用记事本或者Excel打开GEO下载下来的Series Matrix File（后缀.txt或.csv）。看第一行的注释，通常会写明“Data type”，如果写着“expression array”，那就是芯片；如果写着“count”、“read counts”或者“normalized counts”，那就是测序。这一步能帮你避开90%的坑。

记住，GEO是测序还是芯片，从来不是数据库决定的，而是数据来源决定的。现在做科研的，为了发文章，很多老数据都被重新挖掘出来用。你要做的，不是纠结GEO本身，而是针对你下载的具体样本，确认其技术平台。别到时候拿芯片的数据去跑RNA-Seq的差异分析流程，那样除了报错，什么都得不到。

最后说句掏心窝子的话，数据分析这行，最怕的就是“想当然”。很多初学者觉得只要会R语言就行，结果连输入数据的格式都搞错了。如果你拿不准手里的数据怎么预处理，或者怕踩坑导致毕业延，建议找专门做过这块的人帮忙看看元数据。毕竟，方向错了，努力白费。别为了省那点咨询费，最后赔上几个月的时间。