公共数据库获取数据：GEO / TCGA / SRA 的检索与下载方法

做RNA-seq分析，第一步就是拿到数据。你可能会问：数据从哪来？

其实最常用的就三个公共仓库：GEO（基因表达综合库）、TCGA（癌症基因组图谱）和SRA（序列读取档案）。它们背后的管理机构不同，检索和下载方式也各有特色。我刚开始接触时也被搞晕过，所以今天就把这三个数据库的用法捋清楚。

1. GEO —— 基因表达综合库

GEO由NCBI维护，主要存储基因表达数据（如芯片、RNA-seq的count表或原始数据）。如果你要找某个疾病相关的公开表达谱，GEO通常是首选。

检索入口

我个人习惯直接用GEO DataSets或GEO Profiles搜索。但更批量化的方式是用R包GEOquery。

举个栗子：搜索“lung adenocarcinoma RNA-seq”并下载表达矩阵。

# 安装Geoquery
if (!requireNamespace("BiocManager", quietly = TRUE))
    install.packages("BiocManager")
BiocManager::install("GEOquery")

# 获取数据集
library(GEOquery)
gse <- getGEO("GSE116959", GSEMatrix = TRUE)
# 查看表达矩阵
exprs_data <- exprs(gse[[1]])
head(exprs_data)

我曾经在项目里直接用这个方法拉了一个GSE系列的全部样本，几分钟搞定。但要注意，getGEO()默认下载的是处理后的表达矩阵，不是原始fastq。如果你需要原始fastq，得去GEO页面看“Supplementary file”列表，或者通过SRA accession跳转。

2. TCGA —— 癌症基因组图谱

TCGA包含33种癌症类型的多组学数据（RNA-seq、WES、甲基化等）。数据可以通过GDC Data Portal网页或命令行工具gdc-client下载。

检索方式

我建议先通过GDC Data Portal（https://portal.gdc.cancer.gov/）按癌症类型、数据类型（RNA-Seq）、实验策略（Stranded或Unstranded）过滤，然后获取manifest文件。

# 用gdc-client下载
gdc-client download -m gdc_manifest.txt -d ./TCGA_data

这个manifest文件里包含所有文件的UUID和md5。gdc-client会自动校验完整性，非常省心。

另外，如果你更喜欢R，可以用TCGAbiolinks包。它封装了查询、下载、预处理的一整套流程。

library(TCGAbiolinks)
query <- GDCquery(project = "TCGA-LUAD",
                  data.category = "Transcriptome Profiling",
                  data.type = "Gene Expression Quantification",
                  workflow.type = "STAR - Counts")
GDCdownload(query)
data <- GDCprepare(query)

嗯，这里要注意：GDCdownload会自动调用gdc-client，所以你得确保机器上装了gdc-client，并且加入了PATH。

3. SRA —— 序列读取档案

SRA是NCBI下的另一个姊妹库，专门存原始测序数据（fastq格式）。许多GEO和TCGA的原始数据最终都在SRA里有备份。

检索与下载

我常用的工具是SRA Toolkit。先用prefetch下载.sra文件，再用fasterq-dump或fastq-dump转成fastq。

# 下载SRA文件
prefetch SRR12345678
# 转成fastq (双端)
fasterq-dump --split-files SRR12345678

如果你在集群上跑，强烈推荐用fasterq-dump而不是fastq-dump，因为它支持多线程，速度能快几倍。我之前在项目中处理200个SRA时，用fasterq-dump把总时间从3小时压缩到了40分钟。

当然，你也可以在浏览器里直接去SRA Run Selector页面可视化选择样本，然后生成下载脚本。但不建议手动一个个点，太累了。

4. 三个数据库的对比与选择

为了帮你快速决策，我整理了一张表格，你看看：

数据库	主要数据内容	典型检索工具	下载命令	适合场景
GEO	表达矩阵、芯片、已处理数据	GEOquery（R）	getGEO()	快速获取表达量做差异分析
TCGA	多组学原始counts、临床信息	GDC Data Portal / TCGAbiolinks	gdc-client download	癌症多组学联合分析
SRA	原始fastq文件	SRA Run Selector / SRA Toolkit	prefetch + fasterq-dump	从头组装、变异检测、自建pipeline

在实际工作中，我经常会遇到这样一个场景：想用某个GEO数据集做验证，但发现它只提供了原始SRA链接，没有现成的count矩阵。这时就没必要死磕GEO了，直接从SRA拉原始fastq，然后跑一遍我自己的align和count流程，反而更可控。

5. 公共数据库检索与下载流程总览

下面这张SVG图总结了三个数据库的检索和下载核心逻辑，方便你对照操作。

你看，整个路径并不复杂：先确定数据库，用对应的检索工具拿到元数据和文件清单，再用专用客户端或R包下载。说白了，就是“检索 → 清单 → 下载”三步走。