2. GEO数据库访问与检索

说实话，GEO 这个数据库刚上手时挺让人头大的——数据集成千上万，命名规则乱得像星座图。我最早做差异分析时，光找对数据集就花了两天。后来摸清了门道，发现其实就那么几步。

NCBI 网站搜索技巧：别在关键词上纠结

NCBI 的主站搜索框看似简单，但很多人直接往里敲基因名或疾病名，结果出来一堆不相关的东西。我个人的习惯是：先筛选数据集类型。

举个例子，你要找“乳腺癌”相关的表达谱芯片。直接在搜索框输入 breast cancer，点回车——会看到杂交数据、SNP 数据、高通量测序数据混在一起。怎么破？用左边的 Filter 栏。

我自己踩过的一个坑：搜 GSE 编号时，有时候会跳到完全不同的页面。比如你输入 GSE12345，NCBI 可能会直接跳到那个 Series 的主页。但如果你是想找包含这个系列的数据集列表，最好用 “GEO Datasets” 子库去搜。

常用的搜索语法其实很简单，记住下面这几个就够用：

# 搜索基因符号
GENE[Gene Symbol] AND "breast cancer"[Title]

# 搜索平台
"GPL570"[Platform] AND "lung cancer"[Description]

# 搜索特定类型的数据
"Expression profiling by array"[DataSet Type] AND "diabetes"[MeSH Terms]

嗯，这里的 [MeSH Terms] 是 NCBI 的医学主题词，比纯文本搜索精准得多。我在一次项目中用这招，把 200 多个无关数据集一次性筛掉，只剩下 12 个有效候选。

GEO2R 在线工具：不用写 R 也能做差异分析

GEO2R 是 NCBI 官方提供的在线差异分析工具。你不需要装 R 环境，浏览器里点几下就能拿到差异基因列表。但很多人用它时忽略了一个关键点：样本分组必须明确。

操作流程很简单：

1. 打开目标数据集的 GEO Series 主页（比如 https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSEXXXXX）。
2. 点击页面底部的 “Analyze with GEO2R” 按钮（绿色图标）。
3. 在 GEO2R 页面中，你会看到所有样本的表格。用鼠标选中你关注的样本组（按住 Ctrl 多选），然后点 “Define groups”。
4. 命名分组（比如 “control” 和 “treatment”），再点 “Submit”。
5. 选择校正方法（默认 Benjamini & Hochberg 就行），点 “Save all results”。

GEO2R 会生成一个 R 脚本，你可以下载下来自己跑。脚本里包含了完整的数据加载、归一化、差异分析代码。我个人建议：即使在线结果漂亮，也一定下载这个 R 脚本，因为你可以事后检查参数，甚至修改对比组。

看看典型的输出结果长什么样：

ID	adj.P.Val	P.Value	t	B	logFC	Gene.symbol	Gene.title
1007_s_at	0.000012	0.000001	12.34	8.56	2.34	DDR1	Discoidin domain receptor tyrosine kinase 1
1053_at	0.000045	0.000003	10.21	7.12	1.98	RFC2	Replication factor C subunit 2
117_at	0.000089	0.000007	9.87	6.45	-1.56	HSPA6	Heat shock 70kDa protein 6

这个表格里重点关注 adj.P.Val（校正后 p 值）和 logFC（差异倍数对数）。我一般取 adj.P.Val < 0.05 且 |logFC| > 1 作为筛选阈值。注意，有些文章里 logFC 是自然对数还是以 2 为底？GEO2R 默认是以 2 为底，所以 1 对应 2 倍变化。

批量记录筛选：别手动复制粘贴了

当你要处理几十个数据集时，一个个点开页面看样本信息会疯掉。NCBI 提供了 GEO 批量下载 功能。你可以通过构建一个包含多个 GSE 编号的查询 URL，一次性获取所有概要信息。

具体做法：在 GEO 主页的搜索框里输入多个 GSE 编号，用 OR 连接：

GSE12345 OR GSE67890 OR GSE11111

然后点击搜索。结果页会列出这些数据集的标题、样本数、平台等关键元数据。你可以直接复制表格到 Excel 里做筛选。

https://eutils.ncbi.nlm.nih.gov/entrez/eutils/esummary.fcgi?db=gds&id=12345&retmode=json

对于芯片数据，你还可以批量下载原始 CEL 文件。在 Series 页面的 “Supplementary file” 区域，如果数据是公开的，会有 “Download” 链接。注意：很多大数据集（比如 RNA-seq 的 FASTQ）只提供 SRA 编号，你需要用 fasterq-dump 或 prefetch 下载，但这已经超出本章范围了。

一张图看懂本章流程

下面这个流程图概括了从搜索到筛选再到差异分析的完整链路。我自己画图时习惯把容易出错的节点标红，你们可以留意一下。

常见问题与避坑清单

最后，我把这些年踩过的坑整理成表格，建议保存一份。