干了七年生信，天天跟GEO数据库打交道。很多人问我，GEO数据库哪些GPL是人的？这问题听着有点绕，其实是在问：那些GPL注释文件里，到底哪些是真正有人工审核过的，哪些是机器瞎编的？

说实话，刚入行那会儿，我也天真地以为GEO里的注释都是权威的。直到后来踩了坑，才发现真相很骨感。大部分GPL文件，尤其是那些老掉牙的芯片平台，注释确实挺“人”的。比如GPL570，也就是Affymetrix Human Genome U133 Plus 2.0 Array，这个注释做得相当扎实。它是Affymetrix官方维护的，虽然也有误差，但好歹是经过人工校对过的。你拿它做差异表达分析，结果相对靠谱。

但你要问现在的新平台呢？那就悬了。很多新的GPL文件，或者是用户自己上传的自定义注释，那简直就是“野生”状态。机器自动比对序列，稍微有点相似就强行映射。这时候，GEO数据库哪些GPL是人的，就成了个大问题。

我举个真实的例子。去年有个客户，做乳腺癌转录组，用了个比较新的芯片平台。他直接拿GEO里默认的GPL文件去分析。结果呢？几十个差异基因，其中一半在后续qPCR验证时死活不出结果。我查了一下注释文件，好家伙，好几个探针映射到了假基因上，或者映射错了同源基因。这注释文件，明显是算法自动生成的，没人看过一眼。这种“非人”的GPL，用多了就是浪费钱和時間。

那怎么判断GEO数据库哪些GPL是人的？我有几个土办法，亲测有效。

第一，看来源。如果是Affymetrix、Illumina这些大厂官方提供的GPL，通常有人工参与。尤其是那些发布多年的经典平台，注释更新虽然慢，但质量有保障。反之，如果是用户自定义上传的，或者某些小众厂商的，大概率是机器产物。

第二，看注释文件的更新频率和备注。有些GPL文件里，会有密密麻麻的“Note”或者“Comment”，里面写着“已手动修正”、“已剔除交叉反应探针”之类的话。这种通常是有“人”味儿的。如果全是冷冰冰的序列比对结果，没有半点人工干预的痕迹，那基本可以判定为机器生成。

第三，拿已知基因集去验证。选几个在文献中广泛报道的、在该组织中高表达的基因，看看探针映射是否准确。如果映射结果乱七八糟，那这GPL文件基本不可信。

当然，没有完美的GPL。即便是最权威的GPL570，也存在探针特异性差的问题。所以，做分析的时候，别盲目迷信注释文件。最好能结合多个数据库，比如Ensembl、NCBI Gene，交叉验证一下探针映射。

另外，提醒一句，GEO数据库哪些GPL是人的，这个问题没有标准答案。因为“人”的定义也在变。以前觉得机器做的就不算人，现在有些大厂也引入了半自动的人工审核流程。所以，关键还是看注释的质量，而不是看它是不是纯手工。

最后，给新手提个醒。别为了省事，直接拿GEO默认的GPL文件就跑分析。多花点时间检查注释，哪怕只是随机抽查几个探针，都能帮你避开很多坑。毕竟，数据清洗这一步，省不得。

希望这些经验能帮到你。生信这条路，坑多，但填坑的过程，也挺有意思的。