想查非肿瘤病的基因变异数据？别在NCBI上瞎找了。

Geo数据库里其实藏着不少“宝藏”。

尤其是那些冷门遗传病的临床样本，比你想的多得多。

很多人以为Geo（Gene Expression Omnibus）只是查肿瘤组学的。

这是个巨大的误解。

我去年带组里两个研究生做先天性耳聋项目，就踩了坑。

一开始他们死磕肿瘤数据库，查了半个月没结果，差点怀疑人生。

后来我让他们去Geo的高级搜索里，把物种限定为Homo sapiens，再看平台类型。

奇迹出现了。

大量非肿瘤疾病的数据，就静静躺在那里，没人认领。

Geo数据库包含哪些非肿瘤疾病呢？我给你扒一下底牌。

首先是单基因遗传病。

比如囊性纤维化，地中海贫血，还有罕见的线粒体病。

我翻了一个GSE编号，是2021年上传的。

样本只有12例，全是儿科病房直接送检的血样。

虽然量小，但纯度极高，全是确诊患者。

这种数据在商业数据库里根本买不到。

价格能便宜十倍，还得自己去清洗。

第二个大类是自身免疫性疾病。

系统性红斑狼疮，类风湿关节炎。

很多人做机制研究时，找不到的对照，最后都在Geo里挖到了。

有个同行跟我吐槽，他说找肝豆状核变性的RNA-seq数据，找了半年。

最后在一个不起眼的GEO条目里，找到了一个德国团队传的数据。

虽然测序深度只有30M，但足够他们做差异表达分析。

这就是真实案例。

Geo数据库包含哪些非肿瘤疾病，其实还有一大类：感染性疾病。

特别是那些病毒性肝炎的恢复期数据。

以及HIV感染者与未感染者的对比。

这类数据更新很快。

2023年到2024年，上传量激增。

因为很多医院现在开始常规测序，然后顺手传到公共库。

但注意，这里有个大坑，千万别忽视。

不是所有标注为非肿瘤的数据，都真的跟肿瘤无关。

我之前看过一个标注为“哮喘”的GEO项目。

下载下来一分析，发现混进去了两例肺癌早期筛查的样本。

原因？实验人员搞混了条码，或者样本污染。

这就是为什么你要看SRA原始数据，而不是直接信Metadata。

Geo数据库包含哪些非肿瘤疾病，这个长尾词搜索量不高，但精准度极高。

搜索它的人，通常是带着具体问题来的。

他们需要的不是教科书式的答案。

而是能落地的资源路径。

还有一点，很多小众疾病的数据，是分散的。

比如某种肌病，可能在美国有一个小样本，在日本有另一个小样本。

你得把这两个GEO编号合起来，才能凑够统计学效力。

这就是手动整合的痛苦所在。

我用的是R语言，写了个小脚本自动抓取下载。

省了至少一周时间。

另外，BioSample链接一定要点进去看。

很多作者懒得填详细表型。

你得去查原始论文，甚至发邮件问作者要详细表型。

这个过程很烦，但必须做。

数据质量，决定了你后面半年的方向。

别图省事，直接拿别人的分析结果。

那是死路一条。

Geo数据库里这些非肿瘤数据，往往是“毛坯房”。

你需要自己装修。

但这正是科研的乐趣所在。

你发现的每个数据点，都可能成为新发现的起点。

别被名字骗了，也别被数据库的界面吓倒。

多花点时间搜索，你会发现，世界比你想象的丰富得多。

哪怕只有十个样本，只要干净，就是金子。

现在就开始搜吧。

别等别人把坑踩完了，你再去交学费。