说实话，刚开始搞生物信息的时候，我看那些密密麻麻的数值，头都是大的。经常有人问：geo数据都经过log2嘛？这个问题乍一听挺小白，但真要是没搞明白，后面做的东西可能全歪了。

记得我那时候带学生，有个小伙子拿个表达矩阵来找我。

我一看，好家伙，有的基因表达量那是几千几万，有的连个位数都没有。

这数据分布歪得像个滑梯，直接用聚类，估计得乱成一锅粥。

我就问他：你拿什么做的分析？

他眨巴着大眼睛说：老师，这不是标准化后的数据吗？

我当时血压就高了。

标准化？那只是去除了批量效应，根本没解决偏态分布的问题啊。

这时候，log2变换的重要性就体现出来了。

为啥非要是log2？

因为生物数据，尤其是微阵列和早期的RNA-seq，往往服从对数正态分布。

你想啊，基因表达量差个几倍是好事，差个几万倍那就是天壤之别。

线性空间里，那个几万倍的数会把那些细微但重要的变化全淹没掉。

就像在一群巨人里面，你很难发现那个矮子有什么特别，除非你把巨人变小，或者把矮子放大。

取对数，就是把这种指数级的差异压缩成线性级的差异。

当然，现在大家更多接触的是RNA-seq的数据。

很多人有个误区，觉得RNA-seq用的是FPKM或者TPM，不用log2。

错！大错特错！

除非你是做差异表达分析里的那些专业软件，比如DESeq2内部会处理，但在你看图、做PCA、跑聚类之前，请务必加上log2。

不加log2的RNA-seq数据，方差和均值强相关，这玩意儿在统计检验里简直是噩梦。

我见过太多坑了。

有个博主，发文章里热图做得花里胡哨，颜色渐变极其漂亮。

结果我私下看了他的原始数据，好家伙，全是未变换的计数数据。

那热图看着跟乱码似的，完全看不出cluster的趋势。

这就好比你去买房，销售给你看的房价是“绝对值”，你根本感觉不出涨幅；如果改成“涨跌幅百分比”，那你瞬间就能感觉到市场的冷暖。

这里要提醒一句，log2变换的时候，最好加个小常数，比如log2(x+1)。

为啥？因为表达量为0的时候，log是负无穷，这在计算机里是没法处理的。

加个1，虽然有点粗糙，但对于大部分分析来说，足以救你一命。

那geo数据都经过log2嘛？

这得看原始数据是啥。

如果是Affymetrix芯片，通常厂家提供的Cel文件处理后的Probe-level data已经是log2了。

你可以直接去GEO下载GProcessed或者GPL注释过的文件，那时候基本已经是log2倍数了。

但如果是Raw data，或者是一些没处理好直接扔上去的Count数据，那不好意思，你得自己动手丰衣足食。

别信那些模板，看一眼数据的直方图。

要是直方图像个向右拖长尾巴的胖子，那大概率你得变换一下。

要是它乖乖地像个钟形曲线，那可能人家已经处理过了，或者本来就是连续型小数据。

总之，别懒，别省这一步。

数据可视化是骗不了人的，数据分布更是实打实的。

你要是拿个歪歪扭扭的数据去做欧氏距离计算，那结果就像是让一个胖子和一个瘦子比身高，纯属胡扯。

说到这儿，心里有点堵。

现在网上教程太多了，很多都是复制粘贴，根本没人验证。

大家为了发文章，为了赶进度，往往是知其然不知其所以然。

等到审稿人让你解释为什么选那个参数时，你只能干瞪眼。

我希望大家在提交数据之前，真的花点时间，盯着直方图看个五分钟。

五分钟能省你一个月返工的时间。

还有，关于那geo数据都经过log2嘛这个问题，一定要搞清楚你的数据源头。

是从GEO直接下载的？还是自己测完的？

如果是自己测的，Count数据必须log2(Count+1)；如果是芯片，看GPL文件说明。

别想当然。

生物信息不是玄学，是严谨的逻辑链条。

少一环，满盘皆输。

最后给点实在建议。

如果你实在搞不定数据处理的那些细节，或者不确定自己的变换是否正确。

别自己在那瞎猜，猜错了就是废数据。

去找专业的机构，或者找个懂行的前辈帮你看一眼原始分布。

哪怕花点钱，买个心安，也比后面推倒重来强。

毕竟，科研的尽头是真诚，不是糊弄自己。

遇到数据分布奇怪、结果跑不通的情况，记得随时聊聊。

我是真心想帮大家避开这些隐形的坑。

毕竟，看着好数据被毁掉，比我自己写不出来还难受。

咱们下期见，记得多看看图，别光看数字。