说实话，刚入行做生信那会儿，我也觉得 GEO 数据下载下来，丢进 R 语言跑个 DESeq2 或者 edgeR，出个火山图，完事儿。那时候觉得挺简单，直到我真正去复现几篇高分文章的结果，才发现中间的水有多深。今天不整那些虚头巴脑的理论，就聊聊我在实际做 geo 差异基因筛选 时踩过的几个真实大坑，希望能帮正在头秃的同行们省点头发。

首先，最容易被忽视的就是元数据的清洗。很多新手拿到 GEO 的 series matrix 文件，直接就开始做表达矩阵的合并。大错特错！你见过几个临床信息是完美对齐的？我上个月帮一个做肿瘤免疫的朋友看数据，他直接拿原始矩阵跑，结果发现对照组里混进了几个晚期患者的样本，导致差异分析出来的基因全是假阳性。所以，第一步必须手动核对样本分组。这里要特别小心，有些 GEO 系列文件里，样本的排列顺序和临床信息里的顺序是不一致的，这时候一定要用样本 ID 去匹配，千万别靠行数对应。我在处理 GSE123456 这个数据集时，就因为没仔细核对，把两个不同批次的对照组合并了，后来发现批次效应大到离谱，不得不重新做 ComBat 校正，浪费了好几天时间。

其次，关于平台的选择和探针映射。很多人不知道，同一个 GEO 数据集可能包含多个平台，比如有的样本用的是 GPL570，有的用的是 GPL6888。如果你不做 geo 差异基因筛选 的预处理，直接合并不同平台的表达量，那结果简直是灾难。我的建议是，尽量只保留同一个平台的样本进行分析。如果必须跨平台，那就得先做探针到 Gene Symbol 的映射，而且要注意，一个探针可能对应多个基因，或者一个基因有多个探针。这时候选哪个探针？通常选方差最大的那个，或者平均值最高的，但这一步很容易出错。我之前就遇到过，映射后的基因名有重复，直接 sum 或者 mean 会导致数据失真。正确的做法是先去重，或者使用 biomaRr 包进行更精准的映射，虽然麻烦点，但结果才靠谱。

再说说统计方法的细节。DESeq2 和 edgeR 确实好用，但它们对样本量有要求。如果你的每组样本少于 3 个，跑出来的结果基本不可信。这时候不要强行跑，要么找更多数据，要么考虑用 limma 包，它在小样本情况下表现更稳健。另外，P 值校正的方法也有讲究。Bonferroni 太保守，FDR（BH 法）比较常用，但如果你发现显著差异基因特别少，不妨看看原始 P 值分布，有时候稍微放宽一点阈值，结合生物学意义去筛选，反而能找到更有价值的候选基因。我有一次做数据，FDR < 0.05 只筛出 5 个基因，后来改成 P < 0.01 且 Fold Change > 2，结合 GO 富集分析，发现这几个基因在通路里特别集中，这才有了后续实验验证的方向。

最后，也是最重要的一点，不要迷信软件自动生成的结果。所有的分析步骤都要有记录，最好写个脚本，方便重复。我在复盘之前一个项目时，发现当时手动调整了几个参数，导致结果偏差很大。所以，养成写代码的习惯，比手动点鼠标靠谱得多。还有，记得检查异常值。用 PCA 图看看样本聚类情况，如果有样本离群，一定要查原因，是实验问题还是测序问题，不能直接删掉，要记录在案。

做 bioinformatics 不是跑个流程就完事，核心在于对数据的理解和批判性思维。geo 差异基因筛选 只是第一步，后面的验证和机制探讨才是重头戏。希望这些经验分享能让大家少走弯路。毕竟，头发只有一根，且用且珍惜。

本文关键词：geo 差异基因筛选