做生信这行十三年，我见过太多新手死在数据这一步。明明代码敲得飞起，结果跑出来的图全是垃圾，或者根本对不上文献。为啥？因为基础没打牢，把 GEO 和 TCGA 搞混了。今天不整那些虚头巴脑的理论，直接说人话，教你怎么把这两个数据库玩明白。

先说结论：GEO 和 TCGA 虽然都是公开数据库，但它们的“脾气”完全不一样。很多刚入行的朋友，上来就下载数据，也不看样本信息，结果发现样本量太小，或者临床信息缺失，最后只能对着屏幕发呆。

第一步，先搞清它们的核心区别。TCGA 是癌症基因组图谱，主打的是大规模、标准化的癌症基因组数据。它的优势在于临床信息非常全，生存期、分期、病理类型都有。但缺点也很明显，它只覆盖癌症，而且主要是基因组层面的数据，比如 mRNA 表达、突变、甲基化等。如果你想研究非癌症疾病，或者想看看基因表达之外的东西，TCGA 就够不着了。

这时候 GEO 就派上用场了。GEO 是个大杂烩，啥都有。转录组、蛋白质组、芯片数据、单细胞数据，甚至表观遗传数据。它的优势是数据量大，类型多，但劣势也明显——数据质量参差不齐。有些样本是十几年前做的，平台都换了，批次效应严重。所以，用 GEO 数据，你得有一双火眼金睛，能筛出高质量的数据。

第二步，学会筛选数据。别一看到“expression profiling”就下载。先看样本量。如果只有3个正常和3个肿瘤，这数据基本没法做差异表达分析，统计效力不够。我一般建议，至少每组要有5-10个样本以上。再看临床信息。如果样本没有标注分组，或者分组信息模糊，直接pass。别浪费时间。

举个例子，我之前帮一个学生看数据。他下载了一个 GEO 数据集，GSE12345，看起来挺大，有100个样本。结果仔细一看，里面混入了不同亚型的癌症，而且大部分样本没有随访信息。这种数据，做生存分析根本没法做。最后我们重新筛选，找到了一个专门针对某特定亚型的数据集，虽然样本只有40个，但信息完整，结果反而更靠谱。

第三步，数据预处理。这是最容易被忽视，也是最容易出问题的环节。TCGA 的数据通常已经经过标准化处理，比如 FPKM 或 TPM，你可以直接拿来用。但 GEO 的数据，很多是原始 CEL 文件或矩阵文件，你需要自己进行背景校正、标准化、探针映射到基因名。这一步很繁琐，但绝对不能省。如果你跳过这一步，后续的差异分析结果可能会因为技术偏差而完全错误。

我见过有人直接用 GEO 的原始数据跑差异分析，结果发现差异基因全是那些在芯片上杂交效率高的基因，而不是真正生物学意义的差异基因。这种坑，踩一次就长记性。

最后，关于工具的选择。如果你主要做癌症研究，TCGA 是首选，因为它的临床数据丰富，方便做生存分析和预后模型。如果你研究的是罕见病、非癌症疾病，或者想探索新的生物标志物，GEO 是你的宝库。但记住，GEO 的数据需要更严格的质控。

别指望一键解决所有问题。生信分析没有银弹，只有扎实的基础和严谨的态度。多读文献，多查资料，遇到不懂的，去论坛问问，别闭门造车。

本文关键词：geo数据库和tcga