geo数据库筛选差异表达基因，这活儿我干了快十二年了。说实话，每次看到新手对着GEO里那成千上万个样本发呆，我就想拍桌子。真的，别急着下载数据，先问问自己：你确定你找对地方了吗？
很多兄弟上来就搜个病名，然后下载一堆FPKM值就开始跑R语言。结果呢？跑出来的火山图乱七八糟，P值全是0.05，导师一看就摇头。为啥？因为你对数据本身一无所知。
今天我不讲那些虚头巴脑的理论，就讲讲我怎么从一堆垃圾数据里扒出真正有用的东西。
第一步，别信标题。
GEO里的标题写得那叫一个随意。有的叫“Tumor vs Normal”，你以为肿瘤和正常组织配对好了？点开Series Matrix文件一看，有的样本是癌旁，有的是远处转移，甚至有的标签都写错了。
你得手动检查Sample属性。特别是Platform，同一个疾病可能有多个芯片平台，比如GPL570和GPL96，探针映射完全不同。别偷懒，一定要确认平台一致，不然后续合并数据时，你会怀疑人生。
第二步，分组要极其小心。
这是最容易出错的地方。很多人直接拿Design Matrix里的分组变量做差异分析。记住，GEO里的分组信息经常是错的，或者缺失。
比如你研究糖尿病，样本里混杂了高血压患者。如果你不剔除这些混杂因素，你的差异基因里可能全是高血压相关的，跟糖尿病半毛钱关系没有。
建议你自己建一个Excel表格，把每个样本的临床信息手动核对一遍。年龄、性别、用药史，能剔除的剔除，能分层的分层。这一步虽然繁琐，但能救你的命。
第三步，预处理别嫌麻烦。
拿到Matrix文件，别急着用limma。先看看分布图。很多芯片数据存在批次效应，也就是Batch Effect。
你可以用PCA图看一眼，如果样本不是按疾病分组，而是按芯片运行日期分组，那麻烦大了。这时候得用ComBat或者sva包去校正。别怕麻烦，这一步不做，后面所有的分析都是建立在沙滩上的城堡，风一吹就散。
第四步，筛选阈值别死板。
P值小于0.05，|logFC|大于1，这是老黄历了。现在更推荐看FDR校正后的P值，也就是Q值。
还有，别忘了看表达量本身。有些基因P值很小，但平均表达量只有1个FPKM，这在生物学上可能没意义。建议加上表达量过滤，比如平均表达量大于10的才保留。这样出来的基因列表，才更靠谱。
第五步，功能富集要交叉验证。
跑完差异基因，别急着写文章。先用DAVID或者Metascape做个GO和KEGG富集。
如果富集出来的通路跟你预期的完全不符，比如你想看癌症免疫，结果富集出一堆代谢通路，那就要回头检查数据了。可能是样本污染，也可能是平台偏差。
这时候，去查一下这些基因在其它独立数据集里是否也差异表达。如果多个数据集都支持，那才算是铁证。
最后说句心里话。
做geo数据库筛选差异表达基因，最难的从来不是代码，而是对数据的敬畏之心。每一个样本背后都是一个活生生的人，他们的数据承载着希望。
别为了发文章而凑数据。如果你发现数据质量太差，果断放弃，换一批。宁缺毋滥。
我见过太多人为了赶时间，用垃圾数据跑出一堆假阳性，最后被审稿人怼得狗血淋头。那时候再后悔，就晚了。
希望这些踩坑的经验，能帮你少走弯路。毕竟，头发掉得越少，科研之路越顺。
加油吧，搞生物信息的朋友们。这条路虽然苦，但看到真结果的那一刻，真的爽。
