做生信分析的朋友，谁没被GEO数据库里的FPKM文件折磨过？这篇东西直接告诉你怎么从GEO下载FPKM数据，怎么清洗，以及为什么现在很多人其实更推荐用TPM。读完这篇，你就不用再对着那些乱码一样的表达量矩阵发愁了。

咱们干这行十二年，见过太多新手死磕FPKM。记得08年那会儿，FPKM确实是主流，毕竟它能消除测序深度和基因长度的影响。但时代变了，兄弟们。现在GEO上那些老数据，很多还是FPKM格式，你得会处理。

先说下载。去GEO官网搜GSE号，别光看Series Matrix File。有时候你得点进Sample，看Supplementary file。很多大牛上传的数据，原始计数矩阵（Count）可能藏在里面，这才是王道。但如果只有FPKM，你也得接招。

我有个学员，去年接了个单，客户给了一堆GEO的FPKM文件，让他做差异表达。他直接用DESeq2跑，结果报错报得亲妈都不认识。为啥？DESeq2要的是原始计数，不是FPKM。FPKM是归一化后的值，方差结构不对。这就像你拿已经调好味的菜，非要再撒一遍盐，味道能对吗？

这时候，如果你手里只有FPKM，咋办？两个路子。第一，去碰运气找原始数据。第二，用limma-voom或者edgeR的某些方法，强行把FPKM当计数用，但这有风险，统计效能会下降。我一般建议，如果必须用FPKM，就转成TPM再分析，或者直接用非参数检验，虽然power低点，但至少不瞎搞。

说到TPM，这玩意儿比FPKM更靠谱。FPKM有个坑，就是它假设所有样本的总表达量是一样的，但这在实际中根本不成立。TPM先对基因长度归一化，再对测序深度归一化，顺序反了，结果就不一样。我在处理一批癌症数据时，发现用FPKM算出来的差异基因，换TPM后，有一半对不上。这差距，可不是小数点后几位的事儿，是生物学意义的根本差异。

再聊聊数据清洗。GEO上的FPKM文件，经常混着一些奇怪的字符，比如“NA”、“NaN”，甚至有的基因名带空格。你得用R语言好好洗一遍。我常用的代码片段，先读入，然后去掉含NA的行，再标准化。别嫌麻烦，这一步省了，后面分析全废。

还有，注意批次效应。GEO的数据，很多是不同实验室、不同时间做的。FPKM值在不同批次间可能有系统性偏差。你得用ComBat或者SVA来校正。我见过一个案例，两个组别看起来差异巨大，结果一校正，P值直接飘到0.5以上。这教训，血淋淋的。

最后，给个结论。GEO的FPKM文件虽然还在，但别把它当宝贝供着。能找原始计数最好，找不到再考虑FPKM/TPM。如果是做探索性分析，FPKM凑合用；如果是发文章，最好用更严谨的方法。别为了省事，拿错误的数据得出错误的结论，那才是最大的坑。

记住，数据是死的，人是活的。多看看文献，多问问同行，别闷头瞎算。这行干久了，你会发现，最难的从来不是代码，而是对数据的敬畏之心。

本文关键词：GEO的FPKM文件