本文关键词：如何利用geo数据库筛选差异基因
做生信分析最搞心态的是什么？不是代码报错，而是面对GEO数据库里那一堆乱码般的GSM和GPL文件，完全不知道从哪下手。很多新手花三天时间下载数据，最后发现样本分组搞反，或者质控没做好，直接导致结果全是噪音，这种时间浪费真的让人想砸键盘。别急，今天我就把这套流程掰开揉碎讲清楚，帮你省下至少一周的摸索时间。
首先，你得明白GEO不是直接给你画好图的，它给的是原始矩阵。很多人第一步就错了，去下FPKM或者TPM，那是别人处理过的，不同批次间没法比。我们要的是原始计数或者标准化后的表达矩阵。这里有个坑，就是平台注释。如果你用的芯片平台比较老，比如GPL570，一定要去NCBI确认一下probe ID对应的基因符号，不然后期分析全是乱码。
具体怎么操作？记住这三步，照着做就行。
第一步，找对数据入口。别在GEO首页瞎逛，直接搜GSE号。比如我想找肺癌的数据，就搜GSE19804。进去后看Series Matrix File(s)，这里通常包含了所有样本的表达量。下载下来是个txt文件，用Excel或R打开。这时候你会看到密密麻麻的数字，别慌，先检查行名是Probe ID还是Gene Symbol。如果是Probe ID，必须用注释包转换。这一步很多人偷懒不做，结果后面差异分析出来的基因名字对不上，查文献都查不到，纯属给自己挖坑。
第二步，清洗和分组。这是最考验耐心的地方。你要看样本的Metadata，也就是那个Sample Attribute。把病例组和对照组分清楚。比如，有的样本是Tumor，有的是Normal。如果数据里有缺失值，不要直接删行，那样会损失太多信息。建议用knnImpute或者median填补。还有，一定要做PCA图看看批次效应。如果发现病例组都聚在一堆，对照组聚在一堆，那可能不是生物学差异，而是实验批次导致的。这时候得用ComBat校正，不然你的差异基因全是技术噪音。我有个学生之前没做这一步，筛选出几百个差异基因，最后验证一个都没有，哭都来不及。
第三步，差异分析。用limma包或者DESeq2。芯片数据用limma，RNA-seq数据用DESeq2。设定阈值，通常|log2FC|>1且P<0.05。这里要注意，P值要校正成adj.P.Val，也就是FDR。很多新手只看P值，不看FDR，结果筛选出一堆假阳性。筛选出来后，导出基因列表。
这时候，你可能觉得大功告成，其实才刚开始。怎么验证？去KEGG或GO富集分析看看这些基因是不是在同一个通路里。如果富集出来的全是“细胞代谢”这种大而空的词，说明你的数据可能有问题，或者样本量太小。
我见过太多人为了发文章，强行凑数据，结果审稿人一眼看出批次效应没处理，直接拒稿。真的，别走捷径。老老实实做质控，老老实实注释，老老实实校正。
最后，关于如何利用geo数据库筛选差异基因，核心不在于工具多高级，而在于你对数据的理解有多深。如果你卡在某个步骤，比如注释文件找不到，或者PCA图怎么看，别硬扛。去GitHub搜相关的R脚本，或者去生信技能树论坛看看前辈们的解答。实在不行，找专业人士咨询一下，有时候一针见血的指点能帮你省下几天时间。记住，数据不会骗人，但解读数据的人会骗自己。保持严谨，才能做出靠谱的结果。
