做生物信息分析这行，最烦的就是甲方或者新手拿着个烂摊子来问我：“老师，我在GEO上找miRNA，怎么全是mRNA的数据啊？” 我每次看到这种问题，血压都往上涨。真的，GEO是个宝库，但也是个雷区，特别是找miRNA，90%的人第一步就走歪了。
咱们先说个大实话，GEO（Gene Expression Omnibus）虽然名字里带着“Expression”，但它本质上是个存储平台，不是个筛选器。你直接搜“miRNA”，出来的结果里一大半其实是microarray芯片探针，甚至是那些把miRNA当背景噪音处理掉的转录组数据。我之前带过一个实习生，愣是花了两周时间，从几百个GSE编号里人工核对，最后发现能用的不到5个。那两周，他整个人都憔悴了，我也跟着上火。
所以，用geo数据库寻找mirna，核心不在于“搜”，而在于“筛”。
第一步，别信默认的搜索结果。你得进具体的Series Record页面，看Sample Characteristics。很多文章标题写着“miRNA profiling”，点进去看平台信息，如果是GPL系列，你要去NCBI查这个平台到底是测什么的。有些老平台，比如Agilent的，虽然能测miRNA，但探针设计得烂，背景噪音大，这种数据拿来做差异分析，纯属给自己挖坑。我有个客户，之前就是用了这种劣质数据，跑出来的差异miRNA跟文献对不上，最后返工，损失了好几万。
第二步，看实验设计。这是最容易被忽略的。找miRNA，样本量够不够？对照组和实验组有没有配对？如果样本量只有3个，p值再小也别信。我见过太多数据，统计显著性很高，但生物学意义为零。记得有个案例，某团队在GEO上扒拉数据，发现一个miRNA在肿瘤组高表达，结果去验证时发现，那是由于样本污染导致的假阳性。这种坑，只有你自己去读原文的方法部分才能避开。
第三步，怎么高效用geo数据库寻找mirna？我建议你结合UCSC或Ensembl的注释文件。别光看GEO自带的摘要，去下载原始CEL文件或Fastq（如果有提供的话），自己重新比对。虽然麻烦，但靠谱。现在很多文章都提供Raw Data，你下载下来，用miRDeep2或者sRNAbench跑一遍，比直接用GEO处理好的矩阵更准确。别嫌麻烦，生物数据的脏乱差，是你逃不掉的宿命。
还有个小技巧，看数据的发布时间。太老的数据，比如2010年以前的，测序技术和分析流程跟现在差距巨大，直接拿来用可能会产生偏差。除非你是做回顾性研究，否则尽量找近5年的数据。
最后，我想说，做生信分析，耐心比技术更重要。别指望一键出图，那都是骗人的。你要像个侦探一样，去GEO的角落里翻找线索。这个过程很枯燥，甚至有点恶心，因为你要面对各种格式错误、缺失值、标注混乱。但当你终于找到那组完美的、高质量的miRNA表达矩阵时，那种成就感，真的无可替代。
如果你还在为数据清洗头疼，或者不确定手里的GEO数据能不能用，别硬扛。找个懂行的帮你看看，或者自己多花点时间读文献。别为了赶进度而牺牲数据质量，那是给自己埋雷。
本文关键词：geo数据库寻找mirna
