做生信分析最头疼的，就是拿到原始数据后，发现根本没法直接用。很多人一上来就盯着FPKM或者TPM看，结果发现不同样本间根本没法比，甚至怀疑人生。这篇文章不整虚的，直接告诉你GEO里的RNA值到底是个啥玩意儿，以及怎么算出来的，让你以后踩坑能少掉几根头发。
咱们先说个大实话，GEO数据库里那些所谓的“表达量”，其实分好几层。你下载下来的文件，有的直接就是处理好的矩阵，有的却是CEL文件或者raw counts。这差别可大了去了。要是你拿到的是已经处理好的表达矩阵，比如GPL平台自带的注释，那这值通常是经过背景校正、归一化后的结果。但这里有个坑，很多平台默认用的算法并不统一，有的用RMA，有的用MAS5，甚至有的还在用老掉牙的Log转换。你如果不看平台说明文档，直接拿来跑差异分析，那结果简直就是瞎子摸象，完全没意义。
那具体怎么算的呢？以最常见的Affymetrix芯片为例，核心算法通常是RMA。这玩意儿分三步走：第一步叫背景校正，把那些非特异性的噪音给剔除掉；第二步是核苷酸级别的归一化，让不同芯片之间的分布尽量一致；最后一步是探针集水平的摘要统计，把一组探针的值合并成一个最终值。这个过程里，取的是中位数，而不是平均值，为啥？因为中位数更稳健，不怕几个极端值捣乱。你要是用平均值，稍微有个探针杂交效果不好，整个样本的均值就偏了，那还做个屁的分析。
再说说RNA-Seq的数据。现在做GEO下载，很多人冲着测序数据去。这时候你看到的FPKM、TPM或者Raw Counts，计算逻辑完全不一样。Raw Counts是最原始的读数，没经过任何归一化，直接受测序深度影响。你样本A测了1000万条，样本B测了2000万条，那B里的基因表达量看起来肯定比A高，但这不代表基因真的上调了，纯粹是因为你测得深。所以，这时候必须看TPM或者FPKM。TPM（Transcripts Per Million）是目前比较推荐的，因为它先考虑了基因长度，再考虑测序深度，最后归一化到百万分之一。这样不同样本间才有可比性。
但是！这里有个巨大的陷阱。很多文章里提到的GEO数据，作者可能只给了FPKM，甚至只给了Log2转换后的值。你要是直接拿Log2(FPKM+1)去做聚类或者差异分析，那简直是灾难。因为Log转换会改变数据的分布性质，而且不同样本间的Log值不能直接相减代表倍数变化。你得先反解回去，或者用专门的工具重新归一化。我见过太多新手，直接拿Log2值做热图，看着挺漂亮，其实逻辑全错。
还有啊，别迷信官方给的注释。GEO平台上的GPL文件，有时候更新滞后，或者注释错误。你最好自己下载对应的基因组版本，重新比对，或者用最新的Annotation包。不然你算出来的“表达量”，可能对应的是个假基因，或者干脆就是注释错了位置。这种低级错误，审稿人一眼就能看出来，到时候被拒稿，哭都来不及。
最后总结一下，GEO数据库RNA值是怎么计算的，并没有一个标准答案，全看数据来源和预处理流程。你拿到数据，第一件事不是急着跑代码，而是去查Metadata，看它用了什么算法，什么平台，什么版本。如果是芯片数据，重点关注RMA还是MAS5；如果是测序数据，分清Raw Counts、FPKM和TPM的区别。别偷懒，别省事，每一步都搞清楚，你的分析结果才站得住脚。生信这行，细节决定成败，马虎不得。
本文关键词：GEO数据库RNA值是怎么计算的
