做生信分析，最怕啥？不是跑代码报错，而是拿到数据那一刻，想哭都哭不出来。
前两天有个粉丝私信我，说他的GEO数据跑出来差异基因少得可怜，P值全是0.05以上。我让他把原始数据发来看看，结果一看，好家伙，原始矩阵里全是字符型数字，还有好几列缺失值。
这种低级错误，新手真的一抓一大把。
今天不聊高大上的算法，就聊聊最基础、也最要命的环节：GEO和TCGA数据标准化。
很多人觉得，标准化不就是打个包、调个参吗？太天真了。
TCGA的数据相对规范，毕竟是大型项目，但GEO就完全是另一番景象。那是个“大杂�9”，用户上传的数据格式千奇百怪。有的用CEL文件，有的用FPKM，有的甚至直接给了个Excel表格，里面还夹杂着各种注释符号。
如果你直接拿这些原始数据去做标准化，出来的结果就是垃圾进，垃圾出。
我举个真实的案例。
之前接的一个单子，客户要做肝癌的预后分析。他直接从GEO下载了GSE系列数据，没做任何处理，直接拿来做生存分析。结果模型R平方只有0.1，完全没意义。
后来我让他重新清洗。第一步，提取探针ID。这一步很多人会忽略，直接拿基因名去合并，结果发现很多探针对应多个基因，或者一个基因对应多个探针。
这时候必须做映射，而且要去重。通常取平均表达量，或者取方差最大的那个探针。这一步做不好，后面全白搭。
第二步，标准化。
对于RNA-seq数据，TPM和FPKM各有优劣。如果是做样本间比较，TPM更靠谱，因为它考虑了基因长度的影响。而GEO里的芯片数据，通常用RMA标准化，或者Quantile normalization。
别偷懒，别用现成的脚本一键跑完。你要看一眼分布图。
标准化前，箱线图歪歪扭扭，标准化后，中位数要对齐，分布要相似。如果标准化后，样本间的差异依然巨大，那就要检查是不是批次效应太严重。
这时候，ComBat或者limma包的removeBatchEffect函数就该上场了。
但要注意，批次效应校正不能乱用。如果你把生物学差异也给校正没了，那分析就没意义了。
TCGA的数据虽然好拿，但它的标准化也有坑。
TCGA的原始数据是Count值，必须用DESeq2或者edgeR做标准化。这两个包内部有成熟的算法，比如TMM或者Median of Ratios。
千万别直接用FPKM去做差异分析，那是给可视化用的，不是给统计检验用的。
我见过太多人，拿着FPKM数据去跑DESeq2，结果报错或者结果离谱。
还有一个细节，过滤低表达基因。
很多新手不舍得过滤，觉得数据越多越好。错。
低表达的基因，噪音极大，会严重干扰模型的稳定性。通常建议，在所有样本中，表达量低于1 CPM的基因，直接剔除。
这一步能显著降低计算量，还能提高结果的可靠性。
最后，聊聊价格。
现在市面上，简单的GEO数据下载和整理，几百块就能搞定。但如果是复杂的TCGA多组学数据整合，加上严格的标准化和批次效应校正，价格通常在3000到8000不等。
为什么这么贵？因为时间在预处理上。
你要手动检查注释文件，要反复调试标准化参数，要画各种QC图来证明你的数据质量。
这些隐形工作，客户看不见，但决定了最终结果的成败。
如果你正卡在数据标准化这一步，或者拿到的数据乱七八糟不知道怎么处理，别自己瞎琢磨了。
生信分析，细节决定生死。
你可以先把自己的数据分布图发给我看看，我帮你诊断一下问题出在哪。
有时候，一个小小的参数调整，就能让结果从“不可用”变成“能发文章”。
别省这点咨询费，省下的可能是你几个月的时间，和一篇被拒稿的论文。
本文关键词：geo和tcga数据标准化
