想利用公开数据做肿瘤研究，GEO数据库筛选肿瘤和正常样本是你绕不开的第一步。

很多人卡在这里，不是代码不会写，而是根本选不对数据。

这篇文章不讲高深的算法，只讲我踩过的坑，帮你避开那些让你返工半月的雷区。

说实话，GEO里的数据参差不齐。

以前我们习惯直接下载，但现在GEO已经全面转向Rshiny界面，操作逻辑变了。

你还需要手动去查Accession号，效率极低且容易出错。

建议直接用GEO2R或者直接调用R包，别在网页上耗时间。

重点来了：正常样本的定义，比你想的要复杂。

“Normal”在GEO里经常和“Paracancer”混在一起。

如果你要研究癌症微环境，旁癌组织可能比远离肿瘤的正常组织更有价值。

但如果你研究癌细胞的恶性增殖，用旁癌组织可能会引入大量炎症信号噪音。

我在做肝癌分析时，就吃过亏。

用了几个标注为Normal的样本，后来发现病理切片里混了纤维化区域。

导致后续验证实验完全对不上，不得不重新筛选。

这就是为什么我要强调，一定要去查看Series Matrix文件里的Sample Description，甚至去SRA看原始测序数据。

筛选条件怎么定？

别只盯着GEO2R的默认设置。

芯片平台要统一，混合平台做出来的结果没法合并分析。

样本量建议肿瘤组不少于10个，正常组同理。

太少的话，假阳性太高，审稿人一眼就能看出来你在糊弄人。

关于批次效应，这是个老生常谈的问题。

不同实验室、不同提取方法，数据差异巨大。

很多人直接用ComBat校正，觉得万事大吉。

其实ComBat更适合去除平台差异，对于生物学差异大的批次，效果有限。

更稳妥的做法，是先做PCA图。

如果肿瘤和正常样本在PC1轴上分得很开，恭喜你。

如果混在一起，大概率是批次效应严重。

这时候可以考虑只用同一平台、同一处理方式的子集。

虽然样本量会变小，但数据的可信度会高很多。

差异分析工具选R包还是网页？

网页工具方便，但参数透明度和可控性差。

limma是金标准，稳定、高效。

deSeq2和edgeR适合RNA-seq数据，GEO上转录组测序数据越来越多了。

一定要做好标准化，别跳过这一步。

p值调阈值是必要的，但别只盯着p<0.05。

|logFC|>1且p<0.05是常规操作。

但你要结合生物学意义，有些基因p值很低但倍数变化微小，实际上没多大生理作用。

最后说下验证的重要性。

生物信息学分析只是发现线索，不是结论。

GEO筛选肿瘤和正常中的差异基因，必须要在独立数据集里验证。

比如你在GSExxxxx里筛选出来的基因，要在GSEyyyyy里做生存分析或相关性分析。

如果结果不一致，别急着发文章，先查数据质控。

有时候是预处理方法不同，有时候是疾病分期不同。

比如I期和IV期的肿瘤，基因表达谱差异极大。

把晚期当早期分析，结果肯定歪。

写这篇文章时，我特意没放那些花哨的可视化代码。

因为工具会变，R包版本会更新，但逻辑是通用的。

核心还是对生物问题的理解，以及对数据质量的敬畏。

别为了发文章而发文章，数据脏了，故事再漂亮也是笑话。

如果你也在做类似研究，欢迎在评论区分享你的经验。

我们一起把GEO挖掘得更深、更实一点。

毕竟，科研的苦，都是这么一点点熬出来的。