本文关键词：geo 甲基化

我在geo这行摸爬滚打15年了。见多了被坑的样本，也见过因为一个参数设置不对，整个项目废掉的惨案。今天不整那些虚头巴脑的学术词汇，咱们就聊聊大家最头疼的geo 甲基化分析。

很多人拿到数据第一反应是：这图怎么画？p值怎么调？其实，这些都不是最关键的。最致命的是你懂不懂你的数据从哪来，去没去过。

先说数据获取。别光盯着GEO数据库搜。很多高质量的甲基化数据，其实藏在ArrayExpress或者EBI的深层链接里。我有个客户，之前自己下数据，结果发现探针注释版本不对，最后结果跟文献对不上，急得团团转。后来我让他用我整理的最新注释包，重新跑了一遍，虽然流程复杂点，但结果立马就漂亮了。这就是细节。

再说说平台。Illumina 450k和EPIC是主流，但别忽略了一些老旧的芯片。有些老数据虽然探针少，但针对特定疾病的研究很深入。比如我们之前接的一个肺癌项目，用的就是450k的数据。因为样本量大，统计效力反而比小样本的EPIC数据更稳。这里要注意，不同平台的探针覆盖区域不一样，混用数据做meta分析时，必须做严格的映射和过滤。这一步要是偷懒，后面所有的差异甲基化位点（DMR）分析都是空中楼阁。

说到分析流程，很多人喜欢用现成的R包，比如ChAMP或minfi。这两个包确实好用，但黑盒操作太多。我就见过一个学生，直接调用默认参数，结果把性别差异当成了疾病差异。为什么？因为他的病例组和对照组在性别比例上严重不平衡，而默认流程没有做充分的协变量校正。这种低级错误，在行业里其实很常见。

我建议大家，哪怕是用现成工具，也要去读读文档里的参数说明。特别是关于背景校正、探针过滤的部分。比如，那些位于X/Y染色体上的探针，如果不是研究性染色体相关疾病，最好剔除，除非你有特殊理由。还有，那些存在SNP干扰的探针，一定要过滤掉。不然，你发现的“差异甲基化”，可能只是个基因多态性在作祟。

再聊聊生物信息学之外的坑。湿实验验证。很多客户觉得，生信分析出结果就完事了。大错特错。甲基化数据的噪音很大，假阳性率不低。我强烈建议，对于关键靶点，一定要用qPCR或者焦磷酸测序去验证。我们团队之前有个项目，生信分析出了20个候选基因，最后验证成功的只有3个。但这3个，足以支撑一篇高分文章。这就是验证的价值。

还有，甲基化不仅仅是看单个位点。现在流行看区域水平的变化，也就是DMR。单个CpG位点的变化可能只是噪声，但一段区域的整体甲基化水平改变，往往具有更强的生物学意义。在分析时，不妨多试试DMRfinder或者bumphunter这些工具，看看能不能发现更有意义的区域。

最后，说说成本和时间。甲基化分析比转录组贵，因为数据量大，处理复杂。如果你预算有限，可以考虑只测关键样本，或者用目标区域捕获测序。但切记，不要为了省钱而牺牲数据质量。低深度的甲基化数据，很多时候还不如不做。

我见过太多人，为了赶时间，随便找个外包，结果拿到一堆无法解读的图表。这种钱花了，罪受了，文章还发不出去。真心建议大家，找靠谱的服务商，或者自己多花点时间钻研。毕竟，数据是你的，结果也是你的。

如果你正在为geo 甲基化数据发愁，或者不确定自己的分析流程是否严谨，不妨找我聊聊。我不一定能帮你省下每一分钱，但我能保证，你得到的建议，是实打实能解决问题的。别在错误的道路上狂奔，停下来，看看路标，也许能少走很多弯路。