做生物信息分析这几年，我见过太多客户拿着几百万测序数据，最后因为搞不清geo表达值和tcga表达值的区别，把好好的故事讲歪了。这篇不整虚的，直接告诉你怎么根据项目需求选数据，避坑省钱，还能让审稿人挑不出毛病。

先说结论，如果你是想找临床相关性，或者做预后模型，tcga表达值通常是更好的起点；但如果你要挖掘特定的罕见突变机制，或者对比不同实验室的数据，geo表达值才是你的宝藏。别一上来就全下，那纯属浪费算力。

咱们聊聊tcga。这玩意儿就像是大超市里的标准货架，数据齐全、注释规范。我去年帮一个做肿瘤免疫的客户跑数据，他非要拿tcga的rnaseq数据去验证某个新发现的lncrna。结果呢？tcga的样本量虽然大，但它的测序平台比较老旧，很多是2012年左右的数据，批次效应严重。而且tcga的临床信息虽然全，但有些细节比如用药史、随访时间，对于做精准医疗的人来说，还是不够细。这时候，如果你去geo里翻翻，能找到很多最近三年做的单细胞测序或者bulk测序，数据更新，平台更先进。

再说说geo。geo是个大杂烩，好的坏的都有。我有个做罕见病的朋友，他在geo里挖到了一个只有10个样本的小数据集，虽然样本少，但那个病人的临床表型特别典型，和他手头的项目完美契合。这种数据在tcga里根本找不到。但是，geo的数据清洗是个大坑。我见过太多人直接下载count matrix就开始跑差异分析，结果发现有些样本的library size差异巨大，或者有些样本的测序深度根本不够，最后做出来的火山图乱七八糟，审稿人一看就知道是新手。

这里有个真实案例。前年有个做结直肠癌的客户，他想找几个关键基因做预后。他先用tcga数据筛选出了一堆候选基因，然后去geo里找独立的验证队列。结果他找的geo数据集，测序平台是affymetrix的芯片，而tcga是illumina的测序。这两种数据虽然都是表达量，但数值分布完全不一样，直接合并分析，p值全是假的。后来我让他把geo数据重新做背景校正，再和tcga的结果做交集，才找到了3个真正稳健的基因。这个教训告诉我们，数据同源很重要，或者至少要有可靠的转换方法。

那具体怎么选？我的建议是，先明确你的科学问题。如果是做大规模的生存分析，tcga是首选，因为它的随访数据最完整。但如果你要研究某个特定通路在特定亚型中的变化，geo里那些经过精心设计的实验数据集可能更有价值。比如，你想看某种药物处理前后的表达变化，tcga里肯定没有这种干预数据，只能去geo找。

还有一个容易被忽视的点，就是数据的可获取性。tcga的数据虽然开放，但下载起来有时候慢，而且需要注册。geo的数据更分散，有些甚至需要联系作者获取原始fastq文件。我在做项目规划时，总会预留足够的时间给数据预处理。别小看这一步，很多时候，你的分析结果好不好，不取决于你用的算法多高级，而取决于你清洗数据有多仔细。

最后，别迷信大数据。有时候，一个精心挑选的小样本geo数据集，比一堆嘈杂的tcga数据更有说服力。关键在于，你要清楚自己在找什么，以及你手里的数据能不能回答你的问题。希望这些经验能帮你少走弯路，毕竟做科研，时间就是金钱，数据就是生命。