做生物信息这行，七年了，头发掉了一半，代码bug修了一万遍。今天不聊那些高大上的算法模型，咱们聊点实在的。很多刚入行或者正在被老板催进度的兄弟，经常问一个让我头秃的问题：geo数据可以和tcga合并吗？说实话，这问题问得挺天真，但也挺真实。因为大家都想样本量大，想统计效力高，想把能用的数据都塞进一个锅里炖。
我当年刚工作那会儿，也是这么想的。觉得TCGA数据漂亮，标准化做得好；GEO数据量大，便宜（免费），随手就能扒。我就想着把两者拼起来，搞个超级队列，发篇高分文章。结果呢？被审稿人喷得体无完肤，老板把我骂得狗血淋头。现在回头看，那都是年轻时的冲动。
咱们一步步来，看看这坑到底怎么填。如果你也纠结geo数据可以和tcga合并吗，先别急着动手，听听这些粗糙的经验。
第一步，搞清楚你手里的GEO数据到底是个什么成色。别一上来就下载。很多GEO平台的原始数据是微阵列（Microarray），而TCGA绝大多数是RNA-seq。这俩玩意儿根本不是一个维度的东西。微阵列是杂交信号，RNA-seq是计数数据。你要合并它们，得先做平台转换，把微阵列的数据映射到基因ID上，这一步要是没做好，后面全是垃圾。我见过太多人直接用GPL平台的探针ID去比对，结果发现一半的探针在TCGA里根本找不到对应的基因，直接废了一半数据。
第二步，批次效应（Batch Effect）的处理。这是最头疼的。TCGA的数据是在一个中心、用一套流程做出来的；GEO的数据来自全球各地的实验室，用的测序仪、建库试剂盒、甚至操作人员都不一样。这就导致数据里混杂了大量的技术噪音。如果你直接合并，聚类分析的时候，样本大概率是按来源分组的，而不是按疾病状态。这时候，SVA或者ComBat这些工具就得上场了。但要注意，ComBat虽然好用，但它假设大部分基因是不变的，如果你的疾病本身会导致大量基因表达变化，强行校正可能会把生物学信号也给抹平了。这点一定要小心，我在处理肺癌数据时就差点把亚型特征给校正没了。
第三步，临床数据的清洗。TCGA的临床信息相对规范，但GEO的临床信息简直是一团乱麻。有的样本只写了“肿瘤”，没写分期；有的只写了“正常”，没写组织来源。你要合并，就得把这些非结构化的文本变成结构化数据。这一步极其繁琐，需要人工核对。我有一次为了对齐一个乳腺癌的ER/PR状态，翻了整整两天的原始补充表格，眼睛都快瞎了。
第四步，验证与敏感性分析。合并后的数据，一定要做敏感性分析。比如，去掉TCGA的数据，只看GEO；或者去掉GEO，只看TCGA。看看关键的结果（比如差异表达基因、生存分析风险比）是否稳健。如果结果波动巨大，说明合并引入了严重的偏差。这时候，你就得重新考虑：geo数据可以和tcga合并吗？答案可能是否定的，或者至少不能直接合并。
最后，我想说，合并数据不是万能药。有时候，单独分析TCGA，再单独分析GEO，分别验证，反而更科学，更经得起推敲。不要为了凑样本量而强行合并，那是对科学的不尊重。
我也犯过错，以前为了赶进度，没仔细检查探针映射，导致结果完全不可复现。那次教训让我明白，数据质量永远比数量重要。如果你现在还在纠结这个问题，不妨先小范围测试一下，看看批次效应能不能被有效去除。如果不能，那就放弃合并，老老实实做独立分析。
记住，科研没有捷径，每一步都得踩实了。别指望有什么一键合并的神器，那都是骗人的。只有老老实实清洗、校正、验证，才能做出让人信服的结果。希望这些经验能帮你避开一些坑，毕竟，谁的钱都不是大风刮来的，谁的时间也不是大风刮走的。
