刚入行那会儿，我盯着GEO里一堆漂亮的火山图傻乐，觉得这数据简直完美。直到后来接手一个实际项目，导师让我把样本拉出来复核，我才发现所谓的“高表达基因”多半是正常组织或者免疫细胞在捣乱。那时候我才明白，做GEO数据挖掘，第一步不是找差异基因，而是得先看清这肿瘤样本里到底有多少是真正的癌细胞。这就是咱们常说的“肿瘤纯度”问题。很多新手朋友问，geo数据库怎么分析肿瘤纯度？其实没那么玄乎，咱们一步步拆解。

先说个真事儿。去年有个学生找我帮忙，他拿了一个乳腺癌的GEO数据集，跑了差异分析，挑了十几个基因去做qPCR验证。结果实验室那边反馈，几个关键基因根本表达不出来。我一看原始数据，那个样本的测序深度虽然够，但比对到基因组的读数里，一大半都落在了免疫细胞和基质细胞上。肿瘤纯度估计连30%都不到。这种“稀释效应”会导致你找到的靶点全是噪音。所以，搞清楚怎么从GEO数据里扒出纯度信息，是避免白忙活的关键。

那具体怎么干呢？我有三个实操性很强的路子，比那些高大上的理论好使多了。

第一招，看临床注释。这是最直接的。很多GEO数据集的样本信息里，病理医生会标注肿瘤分级、分期，甚至直接写了“肿瘤细胞占比”。虽然不精确，但能帮你排除那些明显是正常对照或者坏死严重的样本。如果你发现某个样本的纯度注释缺失，别急着删，往下看。

第二招，利用已知标记基因打分。这是目前最主流也最靠谱的方法。你可以去查一下特定癌种的“正常组织特异性基因”和“肿瘤特异性基因”。比如肝细胞癌，正常肝细胞高表达ALB、AFP，而肿瘤细胞可能高表达某些增殖相关基因。你可以用这些基因的表达量做一个简单的比例计算。比如，肿瘤标记基因表达量除以（肿瘤标记+正常标记）的总和，这个比值大概就能反映纯度。我在处理一个肺癌数据集时，就是用这个土办法，把纯度低于50%的样本直接剔除，结果后续找到的核心通路清晰多了，跟文献报道的也吻合。

第三招，借助算法工具。如果你懂点编程，CIBERSORT或者ESTIMATE算法是神器。它们能通过基因表达谱反推免疫浸润情况，进而估算肿瘤纯度。虽然这些工具主要用来算免疫分数，但反过来也能看肿瘤占比。不过要注意，这些算法对数据质量要求高，如果原始数据批次效应严重，算出来的纯度可能也是歪的。

这里有个坑得提醒大伙。别迷信单一指标。有时候基因表达低不一定是因为纯度低，可能是测序深度不够，或者样本保存不好RNA降解了。我之前见过一个样本，纯度算法显示很低，但后来查原始FASTQ文件，发现是测序质量极差，读段太短。所以，结合多种证据链判断，才稳妥。

回到开头那个问题，geo数据库怎么分析肿瘤纯度？核心逻辑就是：先定性（看注释），再定量（算标记基因比例），最后辅助（用算法验证）。别一上来就搞复杂模型，先把基础打牢。

最后给点实在建议。做GEO分析，别光盯着差异基因看。花30%的时间在数据质控和纯度评估上，能帮你省下后面80%的无用功。如果你手头有数据集，不知道从哪下手评估纯度，或者拿不准某些样本该不该保留，可以直接把数据特征发过来聊聊。很多时候，一眼就能看出问题所在，比你自己瞎琢磨快得多。毕竟，数据不会撒谎，但解读数据的人会犯错。