GEO里面的基因ID转换为DAVID
做生信这行七年了，真见过太多新手在ID转换这一步栽跟头。明明跑出来的差异基因列表挺漂亮，一丢进DAVID富集分析，结果全是空白或者报错，心态直接崩盘。其实问题往往不在算法，而在你手里拿到的“钥匙”不对。今天咱们不整那些虚头巴脑的理论，就聊聊怎么把GEO数据里的基因ID顺顺当当变成DAVID能认出来的格式，顺便把那些容易踩的坑都填上。
首先得搞清楚，GEO数据库里下载的数据，ID格式千奇百怪。有的平台直接给的是Probe ID（探针ID），有的是Gene Symbol（基因符号），还有的可能是Entrez ID。而DAVID这个老牌的富集分析工具，它最喜欢的其实是Entrez Gene ID，当然现在也支持Symbol，但对Symbol的容错率其实没你想象的那么高。很多兄弟直接拿Symbol去转，结果发现转过去一大半是NA，或者转换后数量对不上，这就是典型的“水土不服”。
我建议大家第一步，先别急着转。打开你的差异分析结果表，看一眼第一列的ID类型。如果是Probe ID，比如Affymetrix平台的探针号，那你必须得先映射到Gene Symbol，再映射到Entrez ID。这里有个小细节很多人忽略，就是同一个探针可能对应多个基因，或者多个探针对应同一个基因。这时候如果你直接用R语言的biomaRt包或者clusterProfiler包，记得设置参数keep=unique或者做去重处理。不然你转换出来的ID会有重复，导致后续富集分析时，某些基因被过度加权，结果看起来显著，其实全是噪音。
说到转换工具，除了R语言，其实在线转换也挺方便，比如DAVID官网自带的转换工具，或者NCBI的Gene数据库。但是在线工具有个毛病，就是慢，而且如果你一次传几千个ID，很容易超时或者丢失部分数据。所以我还是推荐用代码跑，虽然刚开始觉得麻烦，但一旦写成脚本，以后批量处理GEO数据就省事多了。
这里要特别提一下“GEO里面的基因ID转换为DAVID”这个过程，很多人以为换个ID就完事了，其实中间还有一步清洗。转换完后，一定要检查转换率。如果转换率低于70%，那你得反思一下是不是平台选错了，或者你的基因列表质量太差。比如有些老旧的微阵列平台，很多探针现在已经废弃了，根本映射不到最新的基因组注释上。这时候你就得考虑用更早期的注释文件，或者干脆换用RNA-seq数据重新分析。
另外，DAVID对ID的大小写和空格也很敏感。有时候你从Excel里复制出来的Symbol，后面带着不可见的空格，或者大小写混用，DAVID直接就读不懂。所以在转换前，最好用代码把Symbol统一大写，并去除首尾空格。这一步看似微不足道，但能帮你省下大量调试报错的时间。
还有一个容易被忽视的点，就是物种选择。GEO数据大部分是人类和小鼠的，但如果你不小心把人的ID转成了小鼠的数据库，那肯定全是错的。在R语言里跑biomaRt时，一定要指定正确的mart和dataset。比如人用hsapiens_gene_ensembl，小鼠用mmusculus_gene_ensembl。这一步错了，后面全白搭。
最后，转换完ID后，别急着丢进DAVID。先手动挑几个已知的重要基因，比如TP53、BRCA1这些，看看它们有没有成功转换，以及转换后的ID是否一致。这相当于一个小的验证集，能帮你快速判断转换流程是否正确。
总之，GEO里面的基因ID转换为DAVID，看似简单，实则细节满满。别嫌麻烦，每一步都踩实了，你的富集分析结果才能经得起推敲。如果你还在为ID转换头疼，或者转换后结果不理想，不妨检查一下上面的步骤，看看是不是漏了哪个小细节。实在搞不定，也可以多交流，毕竟这条路，一个人走容易迷路，一群人走才能走得更远。
