GEO数据库样本类型选不对，后续分析全白费。这篇直接教你怎么快速筛选高质量数据。照着做，少走半年弯路。
说实话，刚入行做生物信息的时候，我真是被GEO数据库里的样本类型折腾得够呛。那时候不懂，看到数据量大就下载，结果跑完差异表达发现全是混杂的细胞系，根本没法解释生物学现象。今天就把我踩过的坑和总结出来的干货，毫无保留地分享给你们。咱们不整那些虚头巴脑的理论，直接上干货。
第一步，明确你的研究目的，再决定你要找什么类型的样本。这点至关重要。如果你是想找肿瘤标志物，那你肯定得盯着“tumor tissue”或者“primary cell”这种关键词去搜。千万别为了凑数去下那种经过长期传代的细胞系数据，除非你专门研究细胞传代对基因表达的影响。我有个朋友，之前做肺癌研究，为了省事直接下了个GSE系列的bulk RNA-seq数据，结果里面混了好多正常肺组织，最后做出来的差异基因列表根本没法在临床上验证，白白浪费了一个月时间。所以，第一步就是要把“GEO数据库样本类型”这个概念刻在脑子里，它不是随便一个数字，而是决定你研究上限的关键。
第二步，利用Advanced Search进行精准过滤。很多新手只会搜关键词，然后在那几千条结果里大海捞针。你要学会用下拉菜单。在Sample属性里，直接勾选“cell line”、“primary cell”或者“tissue”。这里有个小细节，就是注意看“source name”和“characteristics_ch1”这两列。有时候标题写得模棱两可，但characteristics里会写清楚是“male”还是“female”，是“treated”还是“control”。我之前就遇到过，标题里写着“lung cancer”，点进去一看，characteristics里写的是“adjacent normal tissue”，差点就搞乌龙。这时候，一定要点开每一个Sample的详细信息，花个三五分钟看一眼，比后面重新下载数据强多了。
第三步，检查数据质量和元数据完整性。这一步最容易被忽略，但最能体现专业度。你要看作者有没有提供详细的实验设计。比如，RNA-seq的数据，你要看是单端还是双端测序，读长多少。如果是芯片数据，要看探针平台是否过时。我见过太多人下载了GEO数据库样本类型标注不清的数据，最后发现样本量只有3个，统计效力根本不够。一般来说，每组样本量至少要在6个以上，最好能有10个左右，这样做出来的图才好看，P值才靠谱。如果样本量太少，建议直接放弃，不要抱侥幸心理。
第四步，下载原始数据，别只下处理后的矩阵。很多人图省事，直接下载作者已经整理好的Expression Matrix。这其实是个隐患，因为不同作者的标准化方法不一样，直接拿来用可能会引入批次效应。最好的做法是下载原始的CEL文件或者FASTQ文件，自己用统一的流程重新处理。虽然麻烦点，但心里踏实。我有一次为了赶进度，直接用了别人的矩阵，结果在PCA图上发现样本聚类完全按照作者分组的顺序来，而不是按照生物学分组，后来查了半天才发现是作者预处理的时候出了错。
最后，我想说的是，做生信分析，耐心比技术更重要。GEO数据库样本类型五花八门，有时候真的让人头大。但只要你按照上面这四步走，先把筛选标准定死，再仔细检查元数据，最后自己处理原始数据，基本就能避开80%的坑。别嫌麻烦，前期多花一小时，后期能省三天。
记住，数据是死的，人是活的。别被那些高大上的术语吓住，多看看那些失败案例，多反思自己的操作，慢慢你就有感觉了。希望这篇能帮到正在头秃的你，咱们一起加油，争取早日发篇好文章。
