做生信分析的兄弟，是不是每次搜数据都下意识点进肿瘤模块？
我也一样。
刚开始搞转录组的时候，脑子里全是癌症。觉得只有肿瘤才有研究价值，只有癌症数据才发得了文章。
直到最近被导师骂了一顿，说我的思路太窄，视野不开阔。
我就去翻了翻GEO（Gene Expression Omnibus）的首页，好家伙，差点没把我吓死。
原来GEO里非肿瘤的数据，多如牛毛。
很多人问：geo数据库有非肿瘤的数据吗？
答案是肯定的，而且多到你怀疑人生。
今天我就把这层窗户纸捅破，顺便聊聊怎么在这些非肿瘤数据里淘金。
先说个真实案例。
我有个同事，做心血管方向的。
他一开始也纠结，觉得GEO全是癌症，心血管的数据肯定少得可怜。
结果他随便搜了个“myocardial infarction”（心肌梗死），出来几千个样本。
他拿这些数据进行差异表达分析，找出了几个关键基因。
后来结合临床样本验证，居然发了个不错的IF文章。
你看，非肿瘤数据不仅存在，而且竞争相对小，更容易出成果。
那具体有哪些非肿瘤领域的数据呢？
第一大类，就是免疫相关。
这个板块特别火。
比如自身免疫性疾病，像类风湿性关节炎、系统性红斑狼疮。
这些病虽然不致死，但痛苦啊，研究价值高。
GEO里这类数据非常多，而且很多都带有详细的临床信息。
第二大类，神经退行性疾病。
阿尔茨海默病、帕金森病。
随着老龄化社会到来，这些数据越来越值钱。
不过要注意，脑组织样本采集难，所以数据量可能不如肿瘤那么多，但质量通常很高。
第三大类，代谢类疾病。
糖尿病、脂肪肝、肥胖。
这类数据往往伴随着大量的表型数据，比如血糖、血脂、体重指数等。
做多组学整合分析的时候，这些数据简直是宝藏。
第四大类，发育生物学。
胚胎发育、干细胞分化。
这类数据时间序列特别重要，能看出基因表达的动态变化。
对于做机制研究的来说，比静态的肿瘤数据更有说服力。
但是，找非肿瘤数据有个大坑。
就是注释不全。
肿瘤数据因为研究人多，很多都做好了标准化处理。
非肿瘤数据，尤其是冷门疾病，很多原始数据乱七八糟。
有的甚至没有明确的分组标签。
你得花大量时间去清洗数据，去问作者要元数据。
这时候就要问自己：geo数据库有非肿瘤的数据吗？
当然有，但你要会找。
别光搜疾病名称。
试试搜组织类型。
比如搜“liver”，搜“brain”，搜“heart”。
然后再在结果里筛选表达谱。
这样能挖出很多意想不到的宝藏。
还有一个技巧，看样本量。
有些非肿瘤研究，样本量特别小，可能就几十个。
这时候你要小心过拟合。
最好找那些样本量超过100的，或者有多批次数据可以合并分析的。
总之，别把GEO当成肿瘤数据库。
它是个大仓库，什么都有。
只要你思路打开，非肿瘤领域一样能出好文章。
别总盯着红海厮杀，去蓝海看看。
说不定下一个爆款，就在你手头的非肿瘤数据里。
记住，数据没有高低贵贱，只有用得好不好。
别再问geo数据库有非肿瘤的数据吗了，赶紧去搜吧。
祝你好运，希望能帮到正在迷茫的你。
