geo数据是fpkm吗

前两天有个同行跟我吐槽说最近在看NCBI GEO上下的RNA-seq数据，下载了一堆GSE文件，打开一看全是TPM或者RPKM的值，心里就犯了嘀咕：这到底算不算标准？我直接问了他一句，geo数据是fpkm吗？他支支吾吾半天，最后承认自己也没彻底搞明白。

其实这种困惑太普遍了。很多研究生在做文献调研或者课题启动时，第一件要做的事就是去GEO数据库里扒数据。很多人以为GEO里存的全是标准化好的数值，直接拿来就能做差异分析。这是个巨大的误区。GEO本身只是一个仓库，它存储的是原始文件（Raw Data）或者是部分处理后文件（Processed Data）。所谓的geo数据是fpkm吗，这个问题没有统一的答案，因为GEO里存的是“文件包”，而不是“单一指标”。

举个我自己的惨痛经历。去年我为了分析一个肺癌样本组，从GEO上下载了一个数据集，编号是GSE116176（具体数字可能记岔了，大概是这么个量级）。当时我没看Readme文件就直接跑流程，结果跑出来p值全是0.000，怎么调都下不去。后来才发现，那个文件是BAM格式，根本还没转成矩阵，而且原始数据没去PCR重复。我硬着头皮自己跑Star比对，HISAT2对齐，用featureCounts计数，再自己算FPKM。这过程磨了我整整一周，头发都掉了一把。

这时候就要说重点了。FPKM（Fragments Per Kilobase of transcript per Million mapped reads）是基于总测序深度和基因长度进行标准化的。它解决了基因长短不同带来的偏差，但是有一个致命缺陷：它受测序深度影响大，且在不同样本间（比如不同批次、不同测序平台）可比性较差。而TPM（Transcripts Per Million）则是先把每个样本内部的总表达量归一化为1百万，再进行基因长度校正。简单来说，TPM更适合样本间的比较，因为它的总和是固定的。

很多人问，能不能直接拿GEO里下载的RPKM/FPKM数据做差异分析？我的建议是：谨慎。如果是同一批次、同一测序深度的样本，也许问题不大。但如果是公开数据库里拼凑来的，不同实验室做的，FPKM值往往不可比。这时候，最稳妥的办法是找到原始fastq或bam文件，重新做统一流程的处理。当然，如果你实在找不到原始数据，只能使用公开矩阵时，建议尝试反归一化（de-norm）后再重新标准化，或者直接使用log2(TPM+1)来做下游分析，这样效果往往比直接堆FPKM要好得多。

我接触过不少临床医生，他们特别怕生搬硬套生信流程。他们关心的核心其实是：这个指标能不能反映真实的生物学差异？我的回答是，能，但前提是你要知道这个数值是怎么来的。不要迷信软件输出的那个Excel表头。你要去读原始论文的Methods部分，看他们是用的EdgeR，DESeq2还是Limma-voom。如果原文用的是Count矩阵跑的DESeq2，那你拿FPKM去跑Limma，结果肯定对不上。

还有一个细节容易被忽略，那就是批次效应。GEO里的数据来自世界各地实验室，技术噪音很大。如果你不检查，直接把两组FPKM扔进火山图，画出来的点可能一团糟。我之前用FastQC和MultiQC跑过质量检查，发现有的样本3'端偏好性特别严重，这种数据哪怕归一化做得再漂亮，也是垃圾进垃圾出。所以，在问geo数据是fpkm吗之前，先确认数据质量关没过关。

最后给点实在的建议。如果你只是想看趋势，做个相关性分析，直接用GEO提供的normalized数据凑合一下也行，但别发文章。如果要发高分论文，必须回溯到raw data，自己跑流程，保留所有中间日志。如果实在没有时间重跑，至少要用ComBat或者sva去除批次效应。

很多人卡在“选择困难症”上，其实生信分析没有绝对的对错，只有适合与否。与其纠结于术语的定义，不如动手跑一遍小样本，看看数据分布是不是长尾的，是不是偏态的。工具只是工具，理解数据背后的逻辑才是核心。如果你手头的GEO数据集比较杂，不知道选哪种归一化方法，或者在反归一化这一步卡住了，建议直接咨询专业的生信团队。有时候问对一句话，能省你几个通宵的调试时间。毕竟，人的时间和精力也是成本。