做生信分析的兄弟，是不是经常遇到这种崩溃瞬间？手里既有老式的芯片数据，又有新出的RNA-seq测序数据。老板说要把它们合并起来做分析，说这样样本量大，结果更靠谱。你一听头都大了。这两玩意儿根本就不是一个物种啊。一个看的是荧光强度，一个数的是reads。直接扔进R语言跑个limma或者DESeq2，出来的结果全是噪音。别急，今天我就把压箱底的干货掏出来，教你怎么把这两座大山连起来。

首先，你得承认一个事实。芯片和测序，底层逻辑完全不一样。芯片是杂交信号，有背景噪音，有上限。测序是计数数据，分布呈负二项分布，没有上限。你如果直接把原始数据拿来合并，那就是在侮辱统计学。很多新手犯的错误，就是觉得只要格式统一，就能合并。大错特错。

第一步，必须分别预处理。别偷懒。芯片数据用affy或者oligo包，做RMA标准化。这一步是为了消除批次效应和背景噪音。测序数据用edgeR或者DESeq2做标准化，比如TMM或者median of ratios。记住，这一步必须在各自的数据集内部完成。不要跨平台标准化。一旦跨了，你就把两个不同尺度的数据强行拉到一起，后面全是坑。

第二步，找共同点。也就是基因ID。这是合并的关键。芯片探针和基因ID是一对多的关系，很乱。你得把探针映射到基因上。通常取平均表达量，或者取方差最大的那个探针。这一步很繁琐，但必须做。不然你合并的时候，一个基因对应好几个探针，数据就乱了。这里有个坑，有些芯片探针根本映射不到最新的基因组注释上。这时候，要么删掉，要么手动校正。别将就，将就了后面分析全废。

第三步，也是最重要的一步，批次效应校正。这才是geo芯片数据和测序数据合并的核心技术。很多人以为标准化完就没事了，其实不然。芯片和测序的技术偏差太大。你必须用ComBat或者limma的removeBatchEffect函数。注意，这里的batch变量不仅仅是实验批次，还包括平台类型。把platform作为一个covariate放进去。这样校正后，芯片和测序的数据才能在同一个空间里对话。

我拿自己之前的一个项目举例。我有50个芯片样本，30个测序样本。病人都是一样的。如果不校正，PCA图上，芯片和测序会分成两堆，完全混不到一起。校正之后，样本按临床分组聚类，而不是按平台聚类。这才是我们要的效果。数据合并后的差异基因分析，显著性提升了40%左右。这个提升不是吹的，是实打实的统计功效增加。

还有一点，别忽略注释版本。芯片是几年前的，测序是最新的。基因ID可能变了。比如Entrez ID或者Ensembl ID。一定要统一用最新的注释文件。不然你会发现，合并后少了一半的基因。因为旧注释里没有，新注释里有。这种信息丢失，比噪音更可怕。

最后，验证。合并完别急着发文章。挑几个关键基因，看qPCR结果。如果qPCR和合并后的测序结果一致，那说明你的合并逻辑是通的。如果不一致，回去检查预处理步骤。大概率是标准化或者校正没做好。

总结一下，geo芯片数据和测序数据合并，不是简单的拼接。它是数据的重构。核心就是：分别标准化，统一基因ID，校正平台批次。这三步走稳了，你的分析结果才能经得起推敲。别想着走捷径，生信分析没有捷径，只有严谨的逻辑。

本文关键词：geo芯片数据和测序数据合并