本文关键词：geo数据集没有symbol

做生信分析的朋友大概率都遇到过这种抓狂时刻，兴致勃勃地下载了一个GEO数据集，导入R语言或者Python后跑了一通，结果准备做差异表达分析时发现，基因列全是乱七八糟的ID，根本找不到对应的symbol，甚至很多probe连映射都失败。这种时候真的会怀疑人生，毕竟没有symbol怎么画图，怎么看通路？这篇文就为了解决这个问题，手把手教你怎么把那些“无脸”的数据集洗干净，让分析流程顺滑跑通，别再因为ID对不上而卡壳半天。

其实很多人第一反应是去查注释文件，但这里有个大坑：不同版本的注释文件匹配度极差。我前几天帮一个师弟看数据，他就是死活对不上号，查了好几个数据库都没用。后来发现他用的注释版本太新，而芯片批次太老，直接导致大量探针丢失。所以第一步，先别急着删数据，确认你的芯片型号。打开平台的metadata，看清楚Platform ID是 GPL 开头的哪个系列。如果是比较老的芯片，比如Affymetrix的旧平台，千万别去官网下最新的annote包，大概率会报错或者映射率为零。

这里建议先用简单的R代码跑一下映射。别一上来就用复杂的包，先用 biomaRt 或者 AnnotationDbi 试个底。如果这一步就报错，或者映射出来的symbol少得可怜，那说明这批数据本身可能就有问题，或者你需要用探针序列去BLAST重新比对。我在一次项目里就遇到过，有些probe因为芯片设计缺陷，根本不在现在的基因组里，这种只能手动剔除或者用序列比对法找最近的同源基因，虽然麻烦，但为了结果准确值得花这个时间。

要是芯片数据实在没法映射，那就得看它提供不提供原始矩阵文件了。有些作者上传数据时很良心，会直接把基因symbol整理好的表达量矩阵作为补充材料上传。去Supplementary文件里翻翻，说不定就能找到那个救命的Excel或txt。这一步很关键，很多人只盯着GEO主页的Series Matrix文件看，忽略了附件里的宝藏。如果附件里也只有探针ID，那只能回到源头，去对应芯片的厂商官网下载对应的cel文件或者txt原始数据，从最基础的文件开始解析，虽然耗时，但能最大限度地保留数据完整性。

对于RNA-seq数据，相对简单点，通常GEO平台会直接提供Gene symbol，但偶尔也会给Ensembl ID。这时候直接用 Ensembl 的 Biomart 工具，或者 R 包 biomaRt，一键转换就能搞定。但要注意，Ensembl ID 会随着版本号更新而变化，如果你用的是几年前的数据，一定要确认对应的 Ensembl 版本号，否则ID全变，那就又得重来一遍。

还有个别情况，是作者上传数据时格式乱套了，第一行标题栏写的是Probe ID，但实际内容里已经混入了Symbol，或者反过来。这时候你得人工检查前几行数据，看看格式是否统一。如果格式混乱，只能写个简单的正则表达式，把第一列的ID提取出来，清洗后再进行批量映射。这个过程很枯燥，但也是生信工程师的基本功，练多了自然就熟练了。

最后提醒一句，遇到geo数据集没有symbol的情况，心态一定要稳。不要因为映射率低就轻易扔掉数据，很多时候低映射率是因为你用的注释工具不够精准，或者没找到对应的批次信息。多试几种方法，多查几种注释源，往往柳暗花明就在下一个转角。如果你尝试了以上步骤还是搞不定，或者对映射后的数据质量控制没把握，欢迎随时来聊聊，我可以帮你看看具体的报错日志，毕竟每个人的数据情况都不一样，针对性解决往往比通用教程更有效。生信这条路就是不断填坑的过程，填多了，你就成专家了。