做生信分析，最怕啥？不是代码报错，是数据下回来一堆垃圾，或者根本找不到匹配的临床信息。我在这行摸爬滚打十年，见过太多新手拿着RNA-seq数据，对着满屏的缺失值发呆。今天不整那些虚头巴脑的定义，直接说人话。
很多刚入行的兄弟，一上来就想去TCGA里扒拉数据。觉得人家是大厂，数据全，样本多。确实，TCGA（The Cancer Genome Atlas）那是真香。肿瘤样本量大，临床注释做得相对规范，适合做差异表达、生存分析、甚至搞搞免疫浸润。但是！TCGA有个致命弱点，就是它主要聚焦在肿瘤上。如果你做的是非肿瘤疾病，比如自身免疫病、神经退行性疾病，或者你想找特定组织在正常状态下的表达谱，TCGA直接让你碰壁。这时候，你得转头去看GEO。
GEO（Gene Expression Omnibus）是个啥？它就像个巨大的、乱糟糟的仓库。里面啥都有，从单细胞测序到芯片数据，从癌症到罕见病。它的优势是样本来源极其广泛，你可以找到各种稀奇古怪的实验条件。但缺点也明显，数据质量参差不齐。有的上传者连样本分组都标错了，有的临床信息缺失严重。你得有一双火眼金睛，还得有耐心去清洗数据。
我举个真实的例子。去年有个学员，想做阿尔茨海默病的研究，直接去TCGA搜，搜了半天，除了几个脑肿瘤样本，全是空气。后来他转战GEO，虽然数据杂，但好歹能找到AD相关的脑组织芯片数据。这就是典型的场景错位。所以，选数据库不能凭感觉，得看你的研究问题。
如果你研究的是肿瘤机制，首选TCGA。它的临床随访数据比较完整，做生存曲线好看，发文章也容易被审稿人认可。毕竟，TCGA的数据经过统一流程处理，批次效应相对可控（虽然也不是完全没有）。但如果你研究的是药物反应、特定细胞类型的转录组，或者非癌疾病，GEO就是你的宝藏库。在GEO里，你得学会用Series Matrix File下载数据，然后用R语言的GEOquery包处理。别嫌麻烦，这一步省不得。
还有个坑，就是批次效应。不管你是用TCGA还是GEO的数据，合并不同来源的数据时，批次效应都会让你头大。TCGA内部相对一致，但GEO里的数据来自全球各地，实验平台、测序深度、甚至人员操作都有差异。这时候，你需要用ComBat或者limma包去校正。这一步做不好，你的差异基因列表可能就是噪音。
另外，别忘了验证。很多新手拿到数据，跑完差异分析，画个火山图，就觉得完事了。大错特错！一定要去GEO或者TCGA里找独立队列做验证。或者，去公共数据库里找qPCR数据、蛋白数据来佐证你的mRNA结果。生信分析不是闭门造车，得跟湿实验结果呼应，不然审稿人一眼就能看出你的数据是“洗”出来的。
最后说点实在的。别迷信数据库，它们只是工具。你的生物学问题才是核心。别为了凑数据而凑数据，那样做出来的东西，连自己都说服不了。多读文献，多了解实验背景，这样你在筛选GEO或TCGA数据时，才能知道哪些样本值得保留，哪些该扔掉。
总之，TCGA适合肿瘤，GEO适合广泛探索。两者结合，效果更佳。别怕麻烦，多花点时间在数据清洗上，比后面补救强得多。希望这些经验能帮你少走弯路。
本文关键词：geo数据库和tcga数据库
