公共数据集下载（GEO、ArrayExpress、SRA）

做单细胞RNA-seq分析，第一步往往是找数据。要么自己测，要么用别人的公开数据。公开数据哪里找？GEO、ArrayExpress、SRA 这三巨头基本包揽了主流存储库。我个人习惯是先用 GEO 或 ArrayExpress 检索，然后去 SRA 拿原始 fastq 文件。这节课就带你摸清这三个库的下载门道。

GEO 数据库：检索与下载

GEO（Gene Expression Omnibus）是 NCBI 旗下的老牌数据库，存了海量的基因表达数据，包括单细胞。每个数据集有一个 GSE 编号（比如 GSE123456），每个样本有一个 GSM 编号，对应的平台是 GPL 编号。我刚开始接触时总搞混这三个 ID，后来理清楚了：GSE 是研究项目，GSM 是单个样本，GPL 是芯片或测序平台信息。

下载 GEO 数据有两种常用方式：直接网页下载元数据或用 R 包。我个人推荐用 GEOquery，一条命令就能把表达矩阵和临床信息拉下来。

# 安装和加载
if (!require("BiocManager", quietly = TRUE))
    install.packages("BiocManager")
BiocManager::install("GEOquery")
library(GEOquery)

# 下载 GSE 数据（以 GSE100000 为例）
gse <- getGEO("GSE100000", GSEMatrix = TRUE)
exprs_data <- exprs(gse[[1]])
pdata <- pData(gse[[1]])

# 查看样本信息
head(pdata[, 1:5])

我遇到过不少次，GEO 里的单细胞数据只提供了表达矩阵，没有原始 fastq 文件。这时候就得去 SRA 下载原始数据了。嗯，关于 SRA，咱们后面细说。

ArrayExpress：欧洲仓库

ArrayExpress 是 EBI 旗下的数据库，跟 GEO 类似，但它的单细胞数据整理得更规范。每个实验有一个 E-MTAB- 或 E-GEOD- 开头的 ID。我个人更偏爱用它下载单细胞数据，因为它的样本注释更全，而且很多数据集直接关联了 SRA 或 ENA 的原始数据链接。

用 R 包 ArrayExpress 可以一键下载：

# 安装
if (!require("BiocManager", quietly = TRUE))
    install.packages("BiocManager")
BiocManager::install("ArrayExpress")
library(ArrayExpress)

# 下载 E-MTAB-xxxx 数据集
ae <- ArrayExpress("E-MTAB-xxxx")
# ae 对象里包含了表达矩阵、样本信息等
exprs_matrix <- ae$expset
sdrf <- ae$sdrf

SRA 数据库：原始测序数据的源头

SRA（Sequence Read Archive）存的是测序原始数据，也就是 fastq 或 sra 文件。单细胞 RNA-seq 的原始数据一般都放这里。SRA 使用 SRP/ERR/DRP 作为项目号，SRR/ERR/DRR 作为 run 号。你从 GEO 页面上翻到一个 GSE，点进去找到“SRA”链接，就能看到对应 SRP 或 SRR 号。

下载 SRA 数据最经典的工具是 SRA Toolkit。它提供了 prefetch 和 fastq-dump 两个主要命令。我的习惯是先用 prefetch 下载 .sra 文件，再用 fastq-dump 拆成 fastq。为什么不直接 fastq-dump 硬拉？因为网络原因中断后，prefetch 支持断点续传，效率高很多。

# 安装 SRA Toolkit
# Linux/macOS: 从 https://github.com/ncbi/sra-tools 下载
# 或使用 conda
conda install -c bioconda sra-tools

# 配置 vdb-config
vdb-config --interactive
# 选择好下载目录

# 用 prefetch 下载 SRR 文件
prefetch SRR12345678

# 快速检查是否下载成功
ls -lh ~/ncbi/public/sra/SRR12345678.sra

# 将 .sra 转为 fastq（单端或双端）
fastq-dump --split-files --gzip SRR12345678

# 对于 10x Genomics 数据，常用 --split-3 参数
fastq-dump --split-3 --gzip SRR12345678

我遇到过一个问题：下载 10x 数据时，fastq-dump 默认把 barcode 和 UMI 混到了 R1 里，导致下游 cellranger count 报错。解决方案就是加 --split-3，它能自动识别 10x 的格式。嗯，这点务必记住。

实战：一次完整的下载流程

我以一篇真实的单细胞论文数据为例，演示完整流程：从 GEO 找到 GSE，定位到 SRA，再用 SRA Toolkit 下载 fastq。

假设你想下载 GSE150000 这篇数据。步骤如下：

1. 打开 GEO 网页 (https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE150000)，查看样本信息表，找到“SRA”列。
2. 点开其中一个样本的 SRA 超链接，页面会跳转到 NCBI SRA 记录，显示 SRR 号（如 SRR12345678）。
3. 复制 SRR 号，在终端用 prefetch 下载。
4. 下载完成后用 fastq-dump --split-3 --gzip SRR12345678 生成 fastq.gz。
5. 检查文件大小和 md5，确保完整性。

为了提高速度，可以开多线程并行下载多个 SRR：

# 用 xargs 并行 prefetch
cat srr_list.txt | xargs -P 4 -I {} prefetch {}

# 或者使用 ascp（Aspera）加速
prefetch --transport ascp SRR12345678

三个数据库对比

你想想看，这三者关系其实是这样：GEO 和 ArrayExpress 是“入口”，给你搜数据、看元数据；SRA 是“仓库”，给你拿原始分子。实际工作中，我通常是先逛 GEO 或 ArrayExpress 选数据集，记下 SRA 访问号，然后回到终端批量下载。

这张图把流程串起来了：从 GEO 或 ArrayExpress 出发，到 SRA 拿到 SRR 号，用 prefetch 下到本地，再用 fastq-dump 解出 fastq，最后做质量检查。我自己在跑这个流程时，会把每个步骤写成一个 shell 脚本，这样下次换数据集只要改 SRR 列表就行。