很多人一上来就纠结算法用LIMMA还是edgeR，其实搞geo数据库基因表达分析时，80%的失败是因为数据本身就不干净。今天分享我去年带实习生踩坑后总结的实操流程，能帮你避开绝大多数数据陷阱。上周刚用这套流程帮一个课题组跑完了肝癌亚型的相关工作，省了至少一周的调参时间。

第一步千万别急着下原始数据。我遇到过不少新手直接去NCBI搜个ID就下载，结果回来发现GEO的GPL平台描述不全或者芯片批次太多。正确做法是先登录GEO，找到感兴趣的系列（比如GSE76427肝癌系列），仔细检查Sample的phenodata字段。我通常会在Excel里手动把Patient ID、分期（TNM）、生存状态先列出来。记住，如果样本量低于60例，或者混杂因素比如性别比例严重失衡（比如8:1），建议直接换个数据集，后期多复杂的回归都救不回来。去年有个同事非要用一个只有35例的早期数据集，最后因为统计效力不足被审稿人拒了，这就是典型的因小失大。

第二步是数据清洗，这是最脏活累活但也最关键的一步。不要相信GEO自带的预处理好的RMA值，尤其是对于RNA-seq数据或者老芯片。我习惯先用limma包里的normalize函数做标准化，但更重要的是剔除坏批次。这里有个真实案例，某篇高分文献里有个批次效应严重到两组病人完全混在一起，后来作者补发勘误表承认了错误。你怎么检测？画PCA图是最直观的。如果同一个临床表型（比如正常组织）的点在PCA图上散落在不同区域，那说明有技术偏差。这时候可以用svaseq或者limma::removeBatchEffect去掉批次效应。注意，去批次效应会牺牲部分生物信号，所以一定要在去掉前后对比一下PC1和PC2的解释方差，确保生物学变异保留下来。我一般建议保留前10%的主成分即可。

第三步才是差异表达分析（DEA）。对于microarray数据，limMA依然是标杆，设置modulated=TRUE，fdr阈值设0.05比较稳妥。如果是RNA-seq，DESeq2是目前主流，注意要设置prior.count=TRUE来提高稳定性。这里有个很多人忽略的细节：不要只看Fold Change（FC）大于2或小于0.5，一定要结合p-value。我经常看到学生只筛FC>3的基因，结果漏掉了那些变化不大但高度显著的枢纽基因。建议用火山图筛选出top 50个显著差异基因，然后去DAVID或Metascape做GO/KEGG富集。如果富集结果全是“氧化磷酸化”或者“翻译过程”这种太宽泛的通途，多半是细胞组成偏差没去干净，回去查第二步。

最后一点忠告，关于发表数据。现在期刊越来越看重可重复性，务必在Methods部分注明你使用的GEO accession number、软件版本号（比如R 4.3.0, limma 3.54.3）、具体的筛选阈值。别偷懒只写“使用公开数据库”，那样审稿人一定会让你补充信息。我最近看到一个被拒稿的案例，就因为没写清楚是用探针均值还是最大探针值来处理多对一的基因，被反复问询三次。

这套流程看似老套，但每一步都对应着真实的报错和驳回理由。geo数据库基因表达数据挖掘不是拼谁用的软件新，而是拼谁对数据的质量把控更严。希望这篇能帮你少走弯路，毕竟在这个数据爆炸的时代，干净的数据比炫酷的模型值钱多了。