2. 多组学数据获取与质量控制
多组学药物重定位的第一步不是建模，而是把“可用的数据”拿到手并确认它足够干净。药物重定位通常需要同时整合转录组、蛋白质组、代谢组等不同层次的数据，而这些数据往往来自 GEO、TCGA、ArrayExpress、PRIDE、MetaboLights 等公共数据库。不同数据库的检索语法、下载格式、元数据完整度和质控标准差异很大，因此本节围绕“检索—下载—解析—缺失值处理—批次效应评估”这条主线，给出可落地的操作思路。
一、五个核心数据库的定位与检索策略
先明确各库的定位，才能选对入口。GEO（Gene Expression Omnibus）以基因表达谱、芯片和 RNA-seq 为主，是药物重定位中转录组数据的主要来源；TCGA 提供癌症多组学数据（表达、突变、拷贝数、甲基化等），适合做“疾病—药物”反向匹配；ArrayExpress 是欧洲的基因表达归档库，与 GEO 互补，部分老数据集只在其中；PRIDE 是蛋白质组学原始质谱数据仓库，对应 ProteomeXchange；MetaboLights 是代谢组学数据仓库，提供代谢物谱和实验元数据。
检索时不要只依赖关键词。以 GEO 为例，推荐组合使用：疾病/药物关键词 + 物种（如 Homo sapiens）+ 数据类型（Expression profiling by array / high throughput sequencing）+ 样本量范围。例如检索“特发性肺纤维化药物重定位”相关转录组，可用 (idiopathic pulmonary fibrosis) AND "Homo sapiens"[Organism] AND "expression profiling by array"[DataSet Type]。TCGA 则更适合按项目（如 TCGA-LUAD）和数据类型筛选，通过 GDC Data Portal 或 TCGAbiolinks 按 cohort 下载。ArrayExpress 可用 BioStudies 接口按 accession 精确获取。PRIDE 检索建议用项目 accession（如 PXD 编号）加物种和仪器类型；MetaboLights 用 MTBLS 编号加代谢物类别。
二、下载与格式解析
下载方式直接影响后续可复现性。GEO 可用 GEOquery 的 getGEO() 直接读取 GSE 系列矩阵；RNA-seq 原始数据则通过 SRA Toolkit 的 prefetch 与 fastq-dump 获取。TCGA 推荐用 TCGAbiolinks 的 GDCquery() + GDCdownload() + GDCprepare() 三步，能自动处理临床与表达矩阵的对应关系。PRIDE 提供 FTP 下载原始 .raw 或 .mzML 文件；MetaboLights 提供 ISA-Tab 格式的元数据与原始谱图。
格式解析要区分“表达矩阵”和“原始数据”。芯片数据常见 .CEL、.idat，需用 affy 或 limma 做 RMA 归一化；RNA-seq 常见 count matrix 或 FPKM/TPM 表，需注意基因 ID 版本（Ensembl ID 与 Gene Symbol 的映射）。蛋白质组 .mzML 需用 MaxQuant、MSFragger 等做搜库得到蛋白定量表；代谢组则需先做峰对齐与注释。解析后统一整理为“行=特征（基因/蛋白/代谢物），列=样本”的矩阵，并保留样本分组表。
# 示例：GEO 下载与解析（R）
library(GEOquery)
gse <- getGEO("GSE123456", GSEMatrix = TRUE, getGPL = TRUE)
expr <- exprs(gse[[1]]) # 表达矩阵
pdata <- pData(gse[[1]]) # 样本元数据
# TCGA 示例
library(TCGAbiolinks)
query <- GDCquery(project = "TCGA-LUAD",
data.category = "Transcriptome Profiling",
data.type = "Gene Expression Quantification")
GDCdownload(query)
data <- GDCprepare(query)三、缺失值处理
缺失值在多组学中普遍存在，处理方式取决于缺失机制。转录组中缺失通常较少，可对低表达基因过滤后保留；蛋白质组和代谢组缺失率常达 20%–50%，需先判断是“随机缺失”还是“低于检测限”。低于检测限的缺失不应简单填 0，而应结合下限值做插补。常用策略：缺失率 > 50% 的特征直接剔除；缺失率 20%–50% 用 KNN 或随机森林插补；缺失率 < 20% 可用中位数或均值填充。插补后建议做一次分布对比，确认插补没有引入明显偏倚。
四、批次效应评估
批次效应是整合多数据集时最大的风险。评估分三步：先看设计，确认批次与分组是否完全混杂（若完全混杂则无法校正）；再用 PCA 或层次聚类观察样本是否按批次聚集；最后用 PVCA 或 sva 的 ComBat 量化批次解释的方差比例。若批次解释方差超过 30%，必须校正。常用方法：limma 的 removeBatchEffect()、sva 的 ComBat、以及 Harmony。校正后需再次 PCA 确认批次分离减弱、而生物学分组仍可区分。
五、一个可复用的质控检查清单
把上述环节固化为检查表，能显著降低返工。建议每个数据集进入分析前逐项确认：
| 检查项 | 判断标准 | 不通过时的处理 |
|---|---|---|
| 元数据完整性 | 样本分组、平台、物种齐全 | 联系作者或更换数据集 |
| 样本量 | 每组 ≥ 3，总样本 ≥ 20 | 合并同平台数据集 |
| 缺失率 | 特征缺失率 < 50% | 剔除高缺失特征或插补 |
| 批次混杂 | 批次与分组不完全混杂 | 无法校正则弃用 |
| 批次方差占比 | < 30% | ComBat / Harmony 校正 |
| 校正后 PCA | 批次分离减弱，分组可区分 | 调整协变量或换方法 |
完成上述步骤后，你得到的应是一份“样本 × 特征”的干净矩阵，附带样本分组表、批次标签和质控记录。这份数据才是后续多组学整合与药物重定位建模的可信输入。下一阶段将在此基础上讨论多组学数据的标准化与整合策略。