做生信这行七年了，头发掉了一把，坑也踩了一堆。今天不整那些虚头巴脑的理论，就聊聊怎么把GEO数据和TCGA数据联合起来用。这俩数据源，一个是公共数据库里的老古董，一个是癌症基因组的大宝库。很多新手上来就想着直接合并，结果跑出来的图丑得没法看，P值还显著不了。
我有个学员，去年找我哭诉，说按照教程把GEO和TCGA拼在一起，结果差异基因寥寥无几。我一看他的代码，好家伙，连批次效应都没处理。这就好比把北京的气候数据和广州的气候数据直接平均，得出的结论肯定是“全年恒温”，但这显然不符合现实。
第一步，得搞清楚你手里GEO数据的本质。GEO里的数据，很多是早期的微阵列芯片数据，或者是不同测序平台出来的RNA-seq。而TCGA，清一色是高通量测序。这两者的技术平台都不一样，直接合并就是自找麻烦。你得先确认GEO里的样本量够不够大，如果只有几个样本，那还不如单用TCGA。
第二步，数据清洗。这一步最枯燥，但也最关键。GEO的数据经常缺失值满满，有的基因在部分样本里测不出来。这时候别急着删，得看缺失比例。如果某个基因在超过30%的样本里缺失，那就果断扔掉。TCGA的数据相对干净，但也要做标准化。这里有个细节，很多人忽略了GEO数据里的批次效应。比如GSE12345这个数据集，里面包含了三个不同实验室的数据，如果不做ComBat校正，那批次效应会掩盖掉真实的生物学差异。
第三步，匹配基因名。这是最容易出错的地方。GEO里可能用的是旧版的基因符号，而TCGA用的是最新的。你得去NCBI或者Ensembl查一下映射关系。我见过有人直接把Symbol对上，结果发现好几个不同的基因都映射到了同一个Symbol上，这时候取平均值还是取最大值？这是个技术活，通常建议取表达量最高的那个，或者根据功能注释筛选。
第四步，联合分析。这时候你可以尝试把GEO作为训练集，TCGA作为验证集。或者反过来。比如你想找一个预后标志物，先在GEO里筛选出一堆候选基因，然后在TCGA的大样本里验证这些基因是否真的与生存期相关。这种交叉验证的方法，比单用任何一个数据集都靠谱得多。
记得有一次，我帮一个博士修改论文。他做胶质瘤，GEO里找了20个样本，TCGA里有500多个。他直接在GEO里跑差异分析，挑出10个基因，然后在TCGA里看这10个基因的表达。结果发现，其中8个在TCGA里根本没什么变化。后来我们调整了策略，先用TCGA做全基因组筛选，再回到GEO里看这些基因在不同亚型中的表达模式。这样出来的结论，审稿人才买账。
这里还要提醒一点，GEO数据的质量参差不齐。有些上传的数据，样本信息都不完整。比如不知道样本是肿瘤还是正常组织，或者不知道分期。这种数据，最好别用。如果非要用，就得去GEO官网仔细翻Metadata，有时候还得发邮件问作者。
最后，可视化也很重要。不要只放热图，太俗了。可以尝试画联合森林图，或者用生存曲线对比不同数据集的结果。如果两个数据集的趋势一致，那你的结论就站得住脚了。
总之，GEO数据和TCGA数据联合分析，不是简单的1+1。它需要你懂生物学背景，懂统计方法，还得有耐心去处理那些细碎的脏数据。别怕麻烦，每一步都走扎实了，最后出来的结果才不会被打脸。
本文关键词：GEO数据和TCGA数据联合
