说真的，刚入行做单细胞转录组时，我在 Geo 数据库里坑得底掉。

以前总觉得，下载个 GSE，跑个 DESeq2，差异基因就出来了。

天真。

上周带实习生，他拿了一组小鼠肝病的 Geo 数据，直接跑 limma。

结果发出来一堆假阳性，老板看着报表眉头锁死，那眼神能杀人。

我当时脸都绿了，赶紧重新梳理流程。

今天不整虚的，就把我踩过的坑和现在成熟的 geo芯片差异分析方法 掰开了揉碎了讲给你听。

先说个扎心的数据。

去年我们组对比了三种主流分析路径，发现错误筛选率高达 30%。

主要死于两个原因：批次效应没去掉，和背景校正没做对。

很多博主教你怎么下数据，却从不提怎么洗数据。

这才是痛点。

第一步，绝对是查元数据，别嫌麻烦。

打开 GEO 官网，先看 Supplementary Data。

看芯片型号，是 Affymetrix 还是 Illumina?

看物种，是 Human 还是 Mouse?

看分组信息，有没有明显的混杂因素，比如性别、年龄。

我见过最离谱的案例，两组人，一组是吸烟者，一组是非吸烟者。

基因差异全是吸烟导致的，跟你要研究的疾病八竿子打不着。

这种数据，直接扔垃圾桶，别浪费时间。

第二步，平台转换和标准化。

如果你用的是多批次数据，必须进行批次校正。

limma 的 removeBatchEffect 是个好帮手，但前提是你得知道哪列是批次。

这里有个细节，很多人忽略。

标准化之前，先看箱线图，检查原始分布。

如果分布太散，先做个 Log2 转换。

我习惯用 robust rank transform，比普通 limma-voom 稍微稳一点。

第三步，才是差异分析本身。

对于基因芯片，limma 依然是神。

为什么？因为它假设均方差平衡，适合小样本。

RNA-seq 才用 DESeq2 或 edgeR，千万别混用。

很多人拿着芯片数据跑 DESeq2，那是自找苦吃。

limma 的 eBayes 缩估步骤不能省，它能稳定低表达基因的估计。

p.adj 阈值，我建议 0.05，Fold Change 绝对值大于 1.5。

这是平衡灵敏度和特异性的黄金组合。

第四步，功能富集验证。

差异基因出来没完，你得知道它们干嘛的。

GO 富集和 KEGG 通路是标配。

但我强烈建议加一个 DAVID 或 g:Profiler 做交叉验证。

单一工具可能有偏倚，两个工具一致的结果，可信度翻倍。

记得看 FDR 修正后的 P 值，别只看原始 P 值。

第五步，也是最被忽视的一步：可视化。

火山图、热图、PCA 散点图，这三样是汇报时的保命符。

尤其是 PCA 图，能直观看到批次校正效果。

如果点没聚类，说明你的数据还有问题，回头再查。

我做这个领域五年，见过太多因为前期数据清洗偷懒，后期模型崩溃的例子。

Geo 数据库是个宝藏，也是个大泥潭。

水有多深，取决于你用什么网捞鱼。

别再盲目复制网上的代码了，逻辑不通，代码再漂亮也是废的。

想要高质量的结果，得懂背后的统计原理。

哪怕你只是用现成的 R 包，也要知道每个参数是什么意思。

这样，当结果不符合预期时，你才敢调整参数，才有底气跟审稿人辩论。

最后，给个建议：多读几篇高引文章的方法部分。

看顶级期刊怎么定义差异基因，怎么设阈值。

对齐你的标准，别自创一套。

科研就是这样，严谨和粗糙之间，就差这几步。

希望我的这些血泪经验，能帮你少走点弯路。

别在脏数据上浪费青春，那是真的痛。】