做生物信息分析，最怕遇到什么？不是代码报错，而是拿到手的数据根本没法用。这篇文直接告诉你，怎么在GEO数据库里挑出真正能用的数据集，少走半年弯路。
我在这一行摸爬滚打了15年。见过太多新人拿着几百个样本，结果因为筛选不当，最后做出来的图全是噪音。
别不信，数据质量决定上限。
今天不聊复杂的算法，就聊最实在的“挑数据”。
很多人打开GEO网站，搜个关键词，下载个GSE文件就完事。
大错特错。
你以为你下载的是黄金数据，其实可能是垃圾堆里的废铁。
我见过一个案例，有个小伙子为了凑样本量，把不同批次、不同平台的数据混在一起。
结果差异表达分析出来，P值显著的一堆基因，一看注释，全是线粒体基因。
为什么？因为批次效应没处理好，或者原始数据本身就有污染。
所以，GEO数据集筛选，第一步不是看样本量，而是看“纯度”。
怎么判断纯度？看平台。
一定要确认所有样本都在同一个芯片平台上。
比如都是GPL570，或者都是GPL10558。
千万别把Affymetrix和Illumina的数据混着用，除非你精通高级的批次校正算法，否则别碰。
第二步，看临床信息。
这是最容易被忽略的坑。
很多数据集虽然样本多，但临床注释缺失严重。
比如你想做癌症预后分析，结果发现一半的病人不知道存活时间，另一半不知道复发情况。
这种数据，除了拿来练手，没啥大用。
我在筛选时，会要求至少80%的样本有完整的临床随访数据。
少一点，我都嫌麻烦。
第三步，看样本来源。
这点很关键，但很多人不在乎。
比如你做的是肺癌研究，结果数据里混进了几例乳腺癌。
虽然都是肿瘤，但生物学机制完全不同。
这种混杂，会让你的结果彻底跑偏。
一定要仔细看Sample Series Matrix文件里的备注。
有时候作者会写“mixed cell types”，这时候你就得警惕了。
如果是bulk RNA-seq，混了细胞类型，信号会被稀释。
如果是单细胞数据，那更要小心，聚类可能根本分不开。
我有个习惯，下载数据前，先花半小时读Read Me文件。
别嫌烦，这半小时能帮你省掉两周的调试时间。
还有，注意样本量平衡。
做差异表达，最好病例组和对照组数量相当。
如果对照组只有5个，病例组有50个，统计效力会很低。
这时候，宁可少选几个病例，也要保证平衡。
我见过有人为了追求P<0.05，强行加入一些边缘样本。
结果模型过拟合，换一批数据就失效。
这种数据，发文章会被审稿人怼死。
再说说技术重复和生物重复。
GEO里很多数据是技术重复，也就是同一个RNA样本测了三次。
这种数据不能当独立样本算。
一定要看实验设计，确认是生物重复。
如果是技术重复，只能用来评估平台稳定性，不能用来做差异分析。
这点很多新手搞不清楚，导致结论不可靠。
最后，给点真心话。
别迷信大数据。
有时候，一个精心挑选的、只有20个样本的高质量数据集，比200个杂乱无章的数据集更有价值。
GEO数据集筛选，核心在于“宁缺毋滥”。
你要做的是数据的质检员，而不是搬运工。
如果你还在为找不到合适的数据发愁，或者筛选出来的数据总是跑不通。
别自己瞎琢磨了。
找专业人士看一眼，可能比你折腾一个月都管用。
我有团队专门做数据清洗和预处理，如果你需要，可以聊聊。
毕竟，好数据是分析出来的，也是挑出来的。
别把时间浪费在垃圾数据上。
本文关键词：GEO数据集筛选
