最近后台不少研究生私信我，说做课题被导师催得头秃。主要卡在数据上。想搞单细胞转录组，结果发现公共库里全是RNA-seq。想拉点免疫细胞亚群的差异，愣是找不到匹配的数据。

我懂那种憋屈。

很多人对Geo数据库测序类型的认知还停留在“就是看表达量”的阶段。这太浅了。其实，搞清楚geo数据库测序类型，比死磕代码更重要。

上周帮一个师弟看代码，他跑了一整天报错。我让他把Fastq文件拉下来看看。一看，哦豁，这哪是标准的Illumina短读长？这是Nanopore的长读长数据啊。他用的标准比对工具直接卡死。这就是不懂底层技术的代价。

现在主流的是二代测序，也就是大家常说的RNA-seq或WGS。但在Geo上，你得学会分辨。

有的数据集标题写的是Transcriptome Sequencing。听着高大上。点进去看SRA详情，才发现是Bulk RNA-seq。这种数据适合看整体趋势，适合做差异基因分析（DEG）。比如你研究肿瘤微环境里的T细胞耗竭，找几个经典的TCGA数据集或者Geo里高质量的Bulk数据，跑个limma或者DESeq2，基本能出个不错的初步结果。

但是，如果你要解析细胞间的互作（Cell-Cell Communication），或者做轨迹推断（Trajectory Inference）。Bulk数据就废了。它混在一起，像一锅粥。

这时候，单细胞（scRNA-seq）或者空间转录组（Stereo-seq）就出来了。

Geo里的单细胞数据格式很杂。有10X Genomics的标准格式，也有Smart-seq3这种高转录本覆盖度的。

这里有个大坑。

有些老数据是CEL-seq或者Drop-seq做的，质控指标和10X不一样。如果你直接套用Scanpy或者Seurat的标准流程，归一化那一步可能会出大问题。

我见过一个案例，课题组花两个月清洗数据，最后发现信号全丢了。因为原始数据里有大量的双细胞（Doublets）没去干净。在Geo上下载时，一定要看Metadata里的QC步骤。如果作者没做UMI纠错，你得自己在生信流程里加回去。

再说说空间转录组。这个现在很火。

Stereo-seq或者Visium的数据。这类geo数据库测序类型分析起来最头疼。为什么？因为空间定位信息是核心。

如果只是做表达矩阵，那跟单细胞没区别。但如果要结合空间位置，比如看肿瘤边缘的细胞极化。那你就得把坐标和表达矩阵绑在一起。

有些数据导出的是H5ad格式，有些还是原始的Image和Beads位置文件。如果你用的是Python，可能需要先转格式。用R的话，注意Seurat Spatial模块的版本兼容性。我上次就因为包版本不匹配，坐标全乱，重头跑了三遍。

还有一个常被忽略的：ChIP-seq。

很多人以为Geo只能看基因表达。其实，调控层面很多宝藏都在ChIP-seq里。

比如你发现一个基因上调了，想知道谁调控的。去ChIP-seq数据库（虽然严格来说也在GEO或Enrichr等交叉）找TF的Binding site。

但注意，ChIP-seq的峰值峰（Peak）比对非常依赖参考基因组。GRCh38和GRCh37不能混用。很多老数据还是37的，你拿38的基因组去比对，召回率极低。我当年就在这个上面栽过跟头，调参调了三天，最后发现参考序列版本不一致，差点怀疑人生。

所以，在开始生信分析前，花半天时间读Data Table里的实验描述，真的能省几个月的坑。

别盲目追求“最新”。有时候，经过多重验证、样本量大、质控严格的“老数据”，比那些刚发出来、样本只有三个的“新数据”更有说服力。

科研就是这样，一半是代码，一半是细节。

别光盯着算法看。先把数据读懂。

搞清楚你手里的geo数据库测序类型，到底是啥血统。

是Bulk？是单细胞？还是空间？

甚至是代谢组学？

搞清楚这些，你的故事线才能立得住。

导师问起来，你才不至于哑口无言。

加油吧，打工人。

发Paper之前，先把自己的底裤看清。