做生信这几年，最头疼的不是跑代码，而是从GEO扒下来的数据根本没法用。今天这篇就是专门解决这个问题的，教你怎么快速判断GEO测序数据 判断是否标准化 是否靠谱，别再把时间浪费在清洗垃圾数据上了。
先说个惨痛教训。去年有个学生找我，说拿了一组GSE数据，跑了三天差异表达，结果发现对照组和实验组样本量都不对等，而且批次效应大得离谱。我一看原始文件，好家伙，原始计数矩阵里全是负数，这明显是处理过的FPKM或者TPM，还混着一些未标准化的Raw Count。这种数据你要是直接拿去跑DESeq2，那结果基本就是瞎猜。所以，学会GEO测序数据 判断是否标准化，真的是救命技能。
那到底怎么判断呢？别整那些虚的，直接看文件后缀和第一列。
如果是.gz结尾的，大概率是原始数据。这时候你要解压看看里面的内容。如果第一列全是基因ID，第二列开始是整数，那恭喜你，可能是Raw Count。但注意，很多平台上传的数据，作者自己处理过，可能已经是log2转换后的值了。这时候你如果再用log2转换，数据就全乱了。
再说说那个让人头秃的批次效应。有时候你看到数据挺整齐，但仔细看样本注释，发现有些样本是2018年测的，有些是2020年测的。这种时间跨度大的数据，即使作者说已经标准化了，你也得存疑。因为不同的测序平台，甚至同一平台不同时期的试剂批次，都会带来巨大的技术噪音。这时候，GEO测序数据 判断是否标准化 就不能只看文件，还得看元数据。
我一般习惯先下载sample sheet，也就是SRA的run info。看看里面有没有提到library preparation protocol。如果连这个都含糊其辞，那数据质量堪忧。还有，看看Read Length。如果有的样本是50bp，有的是150bp，这能标准化吗？显然不能。这种混合数据，除非你技术高超，否则建议直接扔进垃圾桶。
再分享一个细节。很多人喜欢用R包去读GEO数据，比如GEOquery。但有时候下载下来的expression matrix，列名是基因名，行名是探针ID。这时候你如果直接用行名去匹配，可能会发现匹配不上。因为不同版本的注释文件，探针ID会变。这时候你就得去查最新的annotation包。这一步很繁琐，但必不可少。
还有，关于标准化方法的选择。DESeq2和edgeR默认用的是median of ratios方法，这适用于Raw Count。但如果你拿到的是FPKM，那就得用其他方法，比如TMM或者RLE。搞错了方法，结果偏差能大到让你怀疑人生。我之前就遇到过，把FPKM当Raw Count处理，结果差异倍数全是反的。
最后，我想说，别迷信“标准化”这三个字。很多作者所谓的标准化，可能只是简单的归一化。真正的标准化，需要考虑测序深度、基因长度、GC含量等多个因素。如果你发现数据里有些基因的表达量高得离谱，有些低得接近零，而且分布极不均匀，那大概率是没处理好。
总之，面对GEO数据，保持警惕。多问几个为什么，多看几眼原始文件。别急着跑分析，先花半天时间评估数据质量。这样虽然前期慢点，但后期能省很多麻烦。毕竟，垃圾进，垃圾出，这是铁律。
希望这些经验能帮到你。下次再遇到GEO测序数据 判断是否标准化 的问题，记得先冷静，再动手。别被表面的整洁骗了，真相往往藏在细节里。
本文关键词：GEO测序数据 判断是否标准化
