做生信分析这八年，我见过太多新手在GEO数据库里迷路。
特别是想通过GEO看基因表达高低的时候。
很多人拿到数据，下载下来，跑个差异分析就完事了。
结果审稿人问一句：这基因在正常组织里到底表达高不高？
你直接傻眼，因为差异分析只告诉你两组间有区别，没告诉你绝对水平。
今天我就掏心窝子聊聊，怎么真正利用GEO看基因表达高低。
先说个真事，去年有个学生找我帮忙。
他发文章被拒，理由就是“生物学意义不明确”。
其实他的P值很小，差异也很显著。
但他没去查原始表达量，导致结论站不住脚。
这就是典型的只重统计显著，忽略生物学背景。
第一步，一定要下载原始数据，别用处理过的。
GEO里有些系列矩阵是别人处理好的，可能带有偏差。
最好下载CEL文件或者原始计数矩阵。
这样你能确保看到的表达量是真实的。
第二步，别光看log2FC。
很多新手觉得log2FC大于1就是高表达。
大错特错。
log2FC只是相对变化，不代表绝对高低。
比如一个基因在对照组表达0.1，实验组表达0.2。
log2FC是1，但0.1这个值在生物学上几乎可以忽略。
所以，必须看原始表达值或标准化后的TPM/FPKM。
第三步，利用GEO看基因表达高低，要学会分组可视化。
我用R语言画过很多箱线图。
把正常样本和疾病样本分开画。
一眼就能看出，这个基因在癌症里是不是普遍上调。
如果正常组也有高表达，那它可能不是特异性标志物。
这里有个坑，就是批次效应。
有时候你以为的高表达，其实是不同批次导致的假象。
一定要用ComBat或者SVA去校正。
不然你看到的差异，可能是实验室误差。
第四步，结合临床数据验证。
GEO里很多数据集都附带临床信息。
你可以把基因表达量和生存期、分期做相关性分析。
如果高表达确实对应预后不良，那这个结果才硬气。
我之前帮一个客户做肝细胞癌分析。
他盯着一个基因看了半天，P值0.05。
但我让他去GEO看基因表达高低，发现这个基因在早期肝癌里表达极低。
而在晚期才升高。
这说明它不是驱动基因，而是晚期标志物。
方向完全反了。
所以，看表达高低，要看分布，不要只看均值。
还有，别忽略异常值。
有时候几个极端样本拉高了均值。
用中位数或者四分位数间距来看更靠谱。
第五步，多数据库交叉验证。
GEO的数据虽然多，但质量参差不齐。
建议你去TCGA或者GTEx里对照一下。
GTEx是正常组织的金标准。
如果GEO里看到的“高表达”，在GTEx里也很高。
那说明这个基因本来就是管家基因，没特异性。
如果GTEx里很低，GEO里很高，那才值得深挖。
最后，我想说，生信分析不是跑代码就完事。
是要讲故事的。
你要解释清楚，为什么这个基因重要。
而解释的前提，就是准确评估它的表达水平。
别为了凑P值，忽略了基本的生物学常识。
记住，GEO看基因表达高低，核心在于“对比”和“验证”。
对比不同组别，验证不同数据库。
这样写出来的文章，才经得起推敲。
希望这些经验能帮你在分析时少走弯路。
毕竟，数据不会骗人，但解读数据的人会。
加油吧，生信人。
