做生物信息学分析的朋友都知道，处理GEO数据是个体力活更是技术活。尤其是搞差异基因筛选那一步，稍不留神数据就跑偏了，后面做通路分析、预后模型全得白搞。今天咱就掏心窝子聊聊，在geo数据库差异基因筛选时到底有哪些细节最容易出幺蛾子，以及怎么把这些坑填平。

很多人一上手就是直接跑limma或者DESeq2，结果跑出来的结果乱七八糟，方差老大的。其实这里头有个最大的误区，就是没搞清数据到底是RNA-seq还是芯片。这两个数据处理逻辑完全是两码事。要是把RNA-seq的计数矩阵直接当芯片数据去做标准化，那简直就是关公战秦琼，结果根本没法看。我见过太多新手因为分不清这点，最后做出来的热图颜色分布特别奇怪，问了半天也没弄明白原因。

先说RNA-seq的。现在的趋势大家都清楚，GEO里头RNA-seq的比例越来越高。处理这类数据，第一步绝对不是直接做差异分析。你得先看原始数据是不是经过比对后的reads count。如果是BAM文件或者FASTQ，你要么自己重新比对，要么找个现成的reads count矩阵。这里有个特别容易忽略的点，就是样本类型（sample type）。有的数据集里，正常对照组和疾病组是混在一起的，甚至有的数据是多个实验批次合在一起的。在geo数据库差异基因筛选时，如果你不做批次效应校正，直接分组比较，那你的差异基因里有一半可能都是批次带来的噪音。

我自己常用的方法是先做PCA主成分分析。跑完Limma的voom转换之前，先看个PCA。如果同组的样本在图里聚成一堆，那还行；要是散得跟撒芝麻似的，那必须上ComBat或者sva去校正批次效应。这一步省了，后面的结果可信度就得打个大大的折扣。至于阈值设定，现在虽然有人还在用padj<0.05和|logFC|>1，但我建议根据具体情况调整。尤其是当你发现padj调整过严，导致很多生物学上很显著的基因被过滤掉了，可以尝试结合volcano plot看一下原始p值，或者稍微放宽一点到0.1，当然这需要你有足够的生物学解释能力去支撑这个决定。

再说说芯片数据。虽然现在用的少，但GEO里老数据一大半都是芯片。芯片数据处理最大的坑在于背景校正和归一化。MA normalize是最经典的，但对于那些表达量极端的芯片，可能会丢失一些信息。我个人比较推荐RMA或者Quantile Normalization。还有一个隐蔽的坑，就是探针去重。同一个基因可能有多个探针，如果你不做probe-to-gene的映射和取平均或中位数的操作，你的差异基因列表里会出现很多重复的GeneID。这在后续做富集分析时会严重影响统计效力，让本来显著的路径变得不显著。

另外，版本问题真的是个大头。RefSeq版本和Entrez ID经常打架。你在数据库里下载的描述文件可能是几年前的，而现在的NCBI数据库早就更新换代了。在geo数据库差异基因筛选时，一定要确认你用来注释的数据库版本和数据生成时间是否匹配。不然你会看到很多基因突然“消失”了，或者名字对不上号。我现在的习惯是用biomaart去实时拉取最新的注释，虽然慢点，但稳。

还有个小细节，很多人不做过滤就直接分析。低表达的基因或者缺失值太多的样本，应该提前筛掉。一般建议过滤掉平均表达量低于一定阈值的基因（比如TPM<1或者RMA值<5），以及缺失比例超过20%的样本。这一步虽然看起来不起眼，但能显著降低计算的噪音，让你的统计检验更敏感。

最后提一嘴，工具选择也很重要。虽然limma是经典，但对于复杂的RNA-seq设计，DESeq2或者edgeR在处理离散分布上可能更稳健。别迷信某个软件，多跑几个，交叉验证一下，心里才有底。做科研嘛，严谨点总没错，毕竟文章被审稿人挑刺太丢人了。

总之，数据清洗和预处理才是核心。别一上来就想着跑模型，先把地基打好。把批次效应控住，把探针映射搞对，把低表达噪音滤掉，你的差异基因列表才会干净、漂亮，后续的分析才能顺风顺水。希望这些大实话能帮到正在抓头发的你们。