刚接触GEO数据分析的朋友，是不是对着上传界面的下拉框发呆？

很多人卡在这一步，根本不知道基因组这一栏该选啥。

其实没那么复杂，选对参考序列，后面才能跑通。

本文关键词：GEO提交数据时基因组填什么

我去年带实习生做转录组时，也在这儿栽过跟头。

他随手选个默认的，结果跑出来全是乱码。

后来我一看，发现他选错了物种版本，这就尴尬了。

所以，这第一关，真的是生死线。

别慌，听我慢慢说。

首先，你得明确你的实验样本来自哪里。

是人的细胞？老鼠的组织？还是某种植物的叶子？

这点很关键，因为不同物种对应的参考基因组完全不同。

如果你手里是小鼠数据，千万别手滑选了人类的基因组。

那是灾难的开始，后面怎么洗数据都救不回来。

我一般习惯去Ensembl或者UCSC上查一下最新信息。

看看你那个物种，当前推荐的版本号是多少。

比如小鼠，现在常用的是mm39或者mm10，具体得看你的芯片或测序平台。

还有人的数据，hg38现在比hg19用得更多了。

老版本虽然稳定，但很多新注释都没进去，容易漏基因。

这就涉及到了长尾问题，比如GEO提交数据时基因组填什么具体格式。

这里有个坑，有些老平台让你填NCBI Accession Number。

比如人类可能填NCBI:Human或者GRCm39。

千万别把“Mouse Genome Assembly”这种废话填进去。

系统认的是代号，不是中文名字，也不是全称。

我记得有次项目赶时间，我同事直接抄了篇文献里的标注。

结果那篇文献是2015年的，用的是老版本。

提交的时候明明显示成功了，但后续比对效率低得吓人。

后来我们花了两天时间重新比对，心态真的崩了。

所以，一定要核对，别偷懒抄旧资料。

再说说那个容易忽略的细节。

如果你的数据是芯片阵列，注意看探针注释对应的版本。

有的芯片厂商官方推荐用的是hg19，而不是hg38。

这时候你就得妥协了，哪怕新版更主流。

GEO提交数据时基因组填什么，有时候得看具体数据集的元数据。

去看一下原始数据的description，里面通常会注明使用的是哪种基因组。

这是最保险的办法，跟原作者保持一致。

还有一点，关于染色体X和Y的处理。

如果是男性样本，Y染色体数据很少但确实存在。

如果你的下游分析不关注Y染色体，提交时按默认即可。

但如果你的研究重点就在性染色体差异，那必须得选包含性染色体完整序列的版本。

这种细节，在前期提交时如果不注意，后面改起来很麻烦。

我建议在提交前，先拿一小部分数据试跑一下。

看看比对率是不是在合理范围内。

如果是RNA-seq数据，比对成功率一般在80%以上算正常。

如果低于60%，大概率就是基因组版本选错了，或者序列质量太差。

这时候赶紧停下来排查，别硬着头皮交作业。

很多人问我，GEO提交数据时基因组填什么影响大吗？

大，非常之大。

这决定了你数据能不能被别人复现，能不能被别人读懂。

这也是为什么GEO对元数据要求越来越严的原因。

以前可能是个大概的匹配就行，现在要求精确到版本。

我现在的习惯是，建个Excel表格记录所有元数据。

包括测序平台、文库插入片段、基因组版本、比对工具版本。

每次提交前，对着表格检查一遍。

虽然多花点时间，但省去了返工的痛苦。

真的，信任是建立在严谨上的，尤其是对公众数据库的贡献。

最后再啰嗦一句。

如果不确定选哪个，就去NCBI Gene或者Ensembl上搜一下你的核心基因。

看看它在当前最新基因组上的位置是否符合你的预期。

如果不一致，可能就要考虑降版本或者升版本了。

GEO提交数据时基因组填什么，本质上是选择一种“语言”和数据库对话。

选对了，对话顺畅；选错了，就是鸡同鸭讲。

希望这些踩坑经验能帮到你。

做科研就是这样，细节决定成败。

别嫌麻烦，磨刀不误砍柴工。

祝你下次提交一次过，顺利入库。