GEO（Gene Expression Omnibus，基因表达综合数据库）是由美国国家生物技术信息中心（NCBI）维护的公共基因表达数据资源库。自 2000 年上线以来，GEO 已成为全球科研人员共享和获取高通量测序、基因芯片等实验数据的重要平台。无论是研究疾病机制、筛选生物标志物，还是验证实验假设，GEO 都提供了丰富的数据支撑。本文将从零开始，带你逐步掌握 GEO 数据库的检索、下载与分析全流程。
一、GEO 数据库简介
GEO 收录了来自全球各地研究机构提交的基因表达数据，涵盖芯片（Microarray）和高通量测序（RNA-seq、ChIP-seq、scRNA-seq 等）等多种数据类型。数据库的核心目标是促进科研数据的公开共享，让更多研究者能够复用已有数据开展二次分析。对于初学者来说，理解 GEO 的数据组织方式是高效使用数据库的第一步。
GEO 的数据组织遵循一套清晰的层级结构。在开始检索之前，建议先花几分钟了解这套结构，它能帮助你更准确地定位所需数据，也能避免在后续分析中因概念混淆而出错。
二、GEO 核心概念与数据层级
GEO 的数据模型由四个核心层级组成，从宏观到微观依次为。下面逐一说明每个层级的含义和用途，方便你在实际检索时对号入座：
- GEO Series（GSE）：一个研究项目或实验的整体描述，包含实验设计、样本分组、平台信息和数据汇总，是研究者最常下载和分析的单位。
- GEO Samples（GSM）：单个样本的详细信息，包括样本来源、处理方式、测序或芯片数据等。
- GEO Platforms（GPL）：实验所使用的芯片或测序平台描述，例如 Affymetrix 芯片、Illumina 测序平台等。
- GEO Datasets（GDS）：由 NCBI 工作人员对同一平台、同一实验设计的样本进行整理后形成的数据集，便于跨样本比较。
理解这四层结构，有助于快速定位所需数据，并正确解读下载文件的内容。例如，当你看到某个数据集编号以 GSE 开头时，就知道它对应一个完整的实验项目；而 GSM 则代表其中的单个样本。掌握这些对应关系，后续操作会顺畅很多。
三、如何在 GEO 中检索数据
GEO 提供了多种检索方式，常用的包括：
- 关键词检索：在 GEO 主页搜索框输入疾病名称、基因名、实验类型等关键词，即可获得相关数据集列表。
- 高级检索：通过限定物种、数据类型、平台、发布日期等条件，缩小检索范围，提高命中精度。
- GEO DataSets 检索：专门针对整理后的数据集进行检索，适合需要直接比较样本表达谱的场景。
- GEO Profiles 检索：针对单个基因在不同样本中的表达水平进行检索，适合快速查看某个基因的表达概况。
为帮助你更直观地选择检索方式，下面用一张表格对比四种常用检索方式的特点：
| 检索方式 | 适用场景 | 操作入口 | 典型使用案例 |
|---|---|---|---|
| 关键词检索 | 快速浏览与某主题相关的数据集，适合初步探索 | GEO 主页顶部搜索框 | 输入“breast cancer”查看乳腺癌相关数据集列表 |
| 高级检索 | 需要按物种、数据类型、平台、发布日期等条件精确筛选 | GEO 主页“Advanced Search”入口 | 限定物种为 Homo sapiens、数据类型为 Expression profiling by high throughput sequencing，筛选人类 RNA-seq 数据集 |
| GEO DataSets 检索 | 需要直接比较多个样本的表达谱，适合已整理好的数据集 | GEO 主页“DataSets”检索标签页 | 检索某个 GDS 编号，直接查看同一平台下多个样本的表达矩阵 |
| GEO Profiles 检索 | 快速查看某个基因在不同样本中的表达水平 | GEO 主页“Profiles”检索标签页 | 输入基因名 TP53，查看该基因在多个数据集中的表达概况 |
检索到目标数据集后，通常需要结合文章描述和样本注释，判断数据是否符合自己的研究需求。
四、基于 GEO 数据的常见分析流程
基于 GEO 数据进行生物信息学分析，通常遵循以下流程：
- 数据获取：检索并下载目标数据集的表达矩阵和样本注释信息。
- 数据预处理：对表达矩阵进行标准化、去批次效应、缺失值处理等操作。
- 差异表达分析：根据实验分组，筛选显著差异表达的基因。
- 功能富集分析：对差异基因进行 GO、KEGG 等通路富集，揭示生物学功能。
- 可视化呈现：通过火山图、热图、箱线图等形式展示分析结果。
这一流程在肿瘤、免疫、发育等众多研究领域都有广泛应用。
五、实战示例：利用 GEO2R 进行差异表达分析
下面以 GEO2R 为例，演示如何快速完成一次基础的差异表达分析。
1. 打开 GEO 官网，检索目标数据集（如 GSEXXXXX）。
2. 点击页面底部的 "Analyze with GEO2R" 按钮。
3. 在 GEO2R 界面中，根据样本分组信息，将样本划分为实验组和对照组。
4. 点击 "Top 250" 查看差异表达基因列表，或点击 "Save all results" 下载完整结果。
5. 利用下载的 P 值和 logFC 列，在本地绘制火山图或热图。
GEO2R 适合快速预览结果；对于需要批量处理或个性化分析的研究者，推荐使用 R 语言中的 GEOquery 包进行更灵活的分析。
六、使用 GEO 数据的注意事项
在使用 GEO 数据时，需要注意以下几点：
- 数据质量：下载前应查看样本量和分组设计，避免使用样本量过小或分组混乱的数据集。
- 引用规范：使用他人数据发表论文时，应正确引用原始数据集编号和原始文献。
- 批次效应：合并多个数据集时，需考虑批次效应校正，避免技术差异干扰生物学结论。
- 平台差异：不同平台的探针设计不同，跨平台比较前需进行基因符号映射和标准化处理。
总结
GEO 数据库是生物医学研究的重要数据资源，掌握其数据结构和分析流程，能够显著提升科研效率。从检索、下载到差异表达分析和功能富集，GEO 为研究者提供了一条完整的数据挖掘路径。希望本文能帮助你快速上手 GEO，在实际研究中充分利用这一宝贵资源。
转载自 CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/2608_96897139/article/details/165723045
