想用公开数据验证候选基因,很多人先在GEO输入“lung cancer RNA-seq”,看到几十个GSE就开始下载。结果不是分组和研究问题对不上,就是只拿到补充文件,缺少样本信息;还有人把原始FASTQ当成表达矩阵,下载后才发现离目标分析还差一整套流程。
GEO是公共功能基因组数据仓库,不是已经整理好的统一分析数据集。挑数据时,先确认研究问题和数据层级,再看GSE、GSM、GPL之间的对应关系,最后决定要拿Series Matrix、处理后计数,还是转去SRA下载原始序列。

先分清GSE、GSM和GPL
GEO由提交者提供的原始记录组成。GSE(Series)描述一个研究项目,下面通常关联多个GSM(Sample);GPL(Platform)描述芯片或测序平台。一个GSE页面可能同时挂着样本注释、Series Matrix、补充文件,以及通往SRA的原始测序数据链接。它们不是可以互换的“数据文件”。
NCBI GEO DataSets适合按关键词、物种、数据类型、样本数和补充文件类型筛选。GEO原始Series记录则更适合检查提交者对每个样本的描述、实验分组和文件附件。本文于2026年11月16日核对NCBI GEO官方检索、下载和FAQ文档;网站页面可能更新,正式分析前应再检查目标记录。
用条件检索缩小候选范围
在GEO DataSets搜索框可先组合研究关键词和物种,例如:
(lung OR pulmonary) AND "Homo sapiens"[Organism]
AND "expression profiling by high throughput sequencing"[DataSet Type]
上面是检索示例,不保证每个词都能命中所有相关记录。进入Advanced Search可查看字段名;NCBI官方示例还展示了100:500[Number of Samples]按样本数过滤、cel[Supplementary Files]查找CEL文件。不同字段对Series和已整理DataSet的适用情况有差异,检索结果为零时,先去掉一个限制条件或改用更宽的关键词,不要立刻断定没有数据。
初筛时打开记录核对四件事:物种与组织是否一致;病例/对照或处理组是否能从GSM标题和特征字段中明确区分;样本数说的是生物学重复还是技术重复;平台、测序类型和建库设计是否与研究问题相容。标题里写着“RNA-seq”不代表文件里一定有可直接用于差异分析的原始counts。
GEO记录的分组注释质量差异很大。对每个候选GSE,建议把GSM accession作为样本主键,摘录标题、组织来源、处理条件和重复编号,形成可以逐行审阅的分组表。若项目含多个时间点或剂量,应确认它们属于同一生物学个体还是不同样本;配对关系不明确时,不要自行假定。缺失或相互矛盾的字段先标记为未知,再查论文方法和补充材料。
看到下载按钮,先决定拿哪一层数据
| 目标 | 优先查找的文件 | 适合做什么 | 下载前重点核验 |
|---|---|---|---|
| 快速复现或探索已处理表达值 | Series Matrix或DataSet SOFT | 检查表达趋势、样本分组、初步可视化 | 数值类型、基因标识、是否已归一化、缺失值和平台注释 |
| 重新做bulk RNA-seq差异分析 | 提交者processed counts,或SRA原始FASTQ | 统一比对/定量与统计设计 | 是否为未标准化整数counts;若下载FASTQ,确认SRA runs和样本对应关系 |
| 复查芯片原始信号 | 补充文件中的CEL等原始文件 | 按同一套芯片流程重新质控和标准化 | 芯片平台GPL、探针注释版本和文件是否齐全 |
| 单细胞或空间数据再分析 | GSE补充矩阵/对象文件,必要时原始FASTQ | 复核细胞注释、分群或空间定位 | 矩阵格式、barcode与feature对应、平台化学版本和样本元数据 |
NCBI说明,高通量测序原始数据通常由GEO转入SRA;处理后文件则可能作为GEO样本或Series的补充文件。原始FASTQ更灵活,但需要比对或定量、参考基因组版本和质控;processed matrix下载更快,却必须确认处理流程及数值含义。若下载压缩包,注意.gz、.tgz常见,Series Matrix通常也有压缩版本。
下载前的“可复用性清单”
先把候选GSE的Series页面、GSM列表和附件清单放在一起,建立一张本地核对表:样本编号、标题、组织/处理、分组、平台、文件名、文件类型。确认分组后再下载,而不是下载完再猜。若要做差异分析,至少核对每个生物学重复的归属、批次信息和可用样本数;缺失关键分组变量时,即使矩阵完整,也未必能回答你的问题。
从GEO下载页面可点击Series记录底部的family文件或supplementary files;批量任务可根据NCBI提供的FTP目录规则直达对应GSE的matrix/或suppl/目录,也可以通过Entrez E-utilities程序化检索元数据。DataSets搜索结果可用“Send to: File”导出记录列表。文件数量大、需要多个GSE统一整理,才值得写脚本批量抓取并保存下载日志、校验值和检索日期。
一个常见边界是:GEO提交者提供的processed数据格式并未完全标准化。同叫“count”或“expression”,可能是raw counts、FPKM、TPM、芯片强度或经过变换的矩阵。不能把TPM直接当作整数counts交给假定负二项分布的DESeq2模型,也不能仅凭GEO2R给出的候选名单替代完整的研究设计审查。GEO2R适合对可分析记录快速探索,复杂配对、批次或多因素设计应下载合适数据后在本地分析。
什么时候转到本地或服务器
只筛选少量GSE、导出记录和查看Series Matrix,浏览器通常够用。若需要FASTQ重算、多个队列统一基因注释、批量校验下载、单细胞/空间矩阵整合,瓶颈会移到下载存储、解压、比对和对象内存;先用一个代表性样本估计压缩文件体积、解压后空间、运行时间和峰值内存,再确定本地是否承受得住。
服务器适合让计算靠近存储、稳定完成大批量下载与流程处理,并保留脚本、软件版本和日志。若只是挑一两份公开矩阵,不必为“数据来自GEO”自动租服务器。若公开队列选择、分组映射或可比性仍不清楚,应先解决设计问题;硬件不能补齐缺失的元数据,也不能消除不同平台和流程造成的偏差。
把候选GSE带来,一起判断下一步
如果你已筛出候选数据,却不确定文件能否用于验证,可以准备研究问题、GSE编号、目标分组、计划分析和卡住的步骤。云生信可先协助判断是元数据和文件格式问题、需要搭建可复现的批处理环境,还是适合在约定范围内委托完成公开队列整理与下游分析。租用服务器自行操作与委托分析分别确认范围。
