跳到正文
百沐一下百沐一下
登录
本节目录

从 GEO 下载表达矩阵

跟完这篇，您能从一个 GSE 编号出发，在 GEO 页面里找到并下载正确的原始表达矩阵文件，解压整理成「行是基因、列是样本」的标准矩阵，顺手取到配套的分组表，直接接到下游差异分析。

先认清 GEO 的三个编号

GEO（Gene Expression Omnibus，NCBI 的公共表达数据库）用三种编号组织数据，看懂它们，您才知道自己在下什么：

编号代表例子
GSE一项研究（Series）GSE12345
GSM一个样本（Sample）GSM123456
GPL测序 / 芯片平台GPL24676

您通常从一个 GSE 编号起步——它往往写在论文的「Data Availability」一节，或者用 在 GEO 里搜数据集 找到。拿到编号，就能拼出详情页地址：

https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE12345

把末尾的 GSE12345 换成您的编号即可。

打开 GSE 详情页，找到 Supplementary file 区

打开上面的地址，页面从上到下大致是这个顺序：

  1. 标题 · Summary · Overall design：一句话研究背景和实验设计，先扫一眼确认是不是您要的数据。
  2. Samples：GSM 样本列表，能看到分组、处理条件。
  3. Platform：测序或芯片平台（GPL）。
  4. Citation · Submission date 等元信息。
  5. Supplementary file：页面最底部的一张表格，列着投稿者上传的处理后文件和下载链接。

关键：原始 count 矩阵基本都在最底部的 Supplementary file 区。这是投稿者自己上传的文件，也是您这趟真正要拿的东西。页面另有一个「Download family」入口里的 series_matrix，后面会说它该用来干什么、又不该用来干什么。

认哪些文件：名字带 count / matrix / raw

做 count 起点的差异分析（DESeq2、edgeR），您要的是原始整数 count——每个基因在每个样本里比对上的读段条数，还没做任何归一化。在 Supplementary file 表里，按文件名找这些线索：

  • count / counts / raw_counts
  • matrix / count_matrix / gene_counts
  • 来自常见定量流程的输出：featureCounts、htseq、STAR 的 ReadsPerGene.out.tab、RSEM 的 genes.results
  • GSE12345_RAW.tar：把每个样本一个文件打包在一起，解开后逐样本合并

粗略对照，帮您一眼判断：

文件名里出现大概是什么能否直接做 count 差异分析
raw_counts、count_matrix原始整数计数矩阵可以
featureCounts、htseq、ReadsPerGene定量工具的计数输出可以（可能需合并、去汇总行）
FPKM、TPM、RPKM、CPM已归一化的表达值不建议
series_matrix见下一节不建议

为什么非要原始整数 count：DESeq2、edgeR 的统计模型建立在原始计数上，内部自己做归一化，不能直接喂已经归一化的值——这是这两个方法的既定要求，各自官方 vignette 都写明了，属于标准做法而非可选项。

避开哪些：series_matrix 与「算好的结果」

有几类文件很容易顺手下错，认清它们：

  • series_matrix.txt.gz：对芯片数据，里面的 VALUE 常是投稿者归一化后的值（可能已取 log2）；对 RNA-seq，它常常没有数据表、或放的是归一化值。它真正的长处是打包了每个样本的表型 / 分组信息，拿它读「分组表」很方便（下面就会用到）——但别拿它当原始表达矩阵。
  • 名字带 FPKM / TPM / RPKM / normalized / log2 / CPM：已归一化，适合看趋势、画热图、比较样本内相对高低，不适合做 count-based 差异分析。
  • 别人「算好的结果」：比如差异基因列表（DEG table）、通路富集结果表——那是分析的终点，不是您的起点。

诚实说一句边界：有些数据集的投稿者只上传了归一化值，压根没放原始 count。遇到这种，要么按论文里的联系方式问作者要，要么从 SRA 取原始测序 reads 自己比对定量——那超出本篇范围，但您得知道有这种情况，别在一个没有原始 count 的数据集上死磕。

下载与解压

拿到目标文件后，两种下法：

方式一 · 页面点击。直接点 Supplementary file 表里对应文件的下载链接（(http) 或 (ftp)），存到本地。

方式二 · 命令行。GEO 的补充文件放在固定规律的 FTP 目录下——把 GSE 编号去掉末三位、补上 nnn 作为上级目录：

# GSE12345 -> 上级目录写成 GSE12nnn
wget -r -np -nd \
  "https://ftp.ncbi.nlm.nih.gov/geo/series/GSE12nnn/GSE12345/suppl/"

或者用 R 的 GEOquery 包，它会自动算好路径、下到以 GSE 命名的子文件夹里：

library(GEOquery)
getGEOSuppFiles("GSE12345")   # 补充文件下到 ./GSE12345/ 下

下下来的文件多是 .gz（单文件压缩）或 .tar（多文件打包）。解压：

gunzip GSE12345_raw_counts.tsv.gz   # 解开单个 .gz
tar -xvf GSE12345_RAW.tar           # 解开逐样本打包

其实读进 R 时不必先解压——read.delim 与 data.table::fread 都能直接读 .gz。读之前先偷看前几行，心里有底再读：

# 先看前几行，确认分隔符、有没有表头、数值是不是整数
readLines(gzfile("GSE12345_raw_counts.tsv.gz"), n = 3)

counts <- read.delim("GSE12345_raw_counts.tsv.gz",
                     row.names = 1, check.names = FALSE)

整理成标准矩阵

下游分析要的目标形状很明确：行是基因、列是样本、值是原始整数 count。对照着核一遍：

  1. 看一眼结构：dim(counts) 和 head(counts)，确认行确实是基因、列确实是样本、数值是整数而非小数。
  2. 基因 ID 设为行名：如果第一列是基因 ID（Ensembl 或 symbol），把它设成行名，别留在数据列里。
  3. 样本名对齐：列名（样本名）要能和您的分组表一一对上，拼写、大小写、顺序都一致。
  4. 去掉汇总行、确保整数：htseq 的输出末尾常有几行以 __ 开头的汇总统计，得去掉。
counts <- counts[!grepl("^__", rownames(counts)), ]   # 去掉 htseq 汇总行
counts <- round(as.matrix(counts))                     # 确保是整数矩阵

重复基因合并、Ensembl 与 symbol 互转、和分组表严格对齐这些更细的清洗，完整做法见 表达矩阵整理——那一步做扎实了，差异分析才不会在中途报错或悄悄错。

顺手拿到分组表

差异分析除了 count 矩阵，还需要一张「哪个样本属于哪一组」的分组表（phenotype）。这张表 series_matrix 里就有，用 GEOquery 一步取出，不用照着网页手抄：

library(GEOquery)
gse   <- getGEO("GSE12345", GSEMatrix = TRUE)   # 下载并解析 series_matrix
eset  <- gse[[1]]                                # 一个平台对应一个元素，多平台会有多个
pheno <- pData(eset)                             # 每个样本一行的表型表

分组信息（处理 / 对照、时间点、组织来源等）通常散在这几列里，先挑出来看：

# 常见的分组线索多在这些列
pheno[, grep("characteristics|title|source_name",
             colnames(pheno), ignore.case = TRUE)]

两点要核对：

  1. 样本 ID 对得上：pheno 的行名是 GSM 编号，count 矩阵的列名可能是 GSM，也可能是投稿者自己的样本名。两边要能一一对应，必要时按 GSM 做一次映射。
  2. 分组列干净可用：把 characteristics_ch1 里形如 treatment: control 的文本，整理成一列清爽的因子（如 group，取值 control / treated），差异分析里当设计变量用。

严格对齐「count 矩阵的列」与「分组表的行」的完整做法，同样见 表达矩阵整理——顺序一旦错位，后面每个基因的组间比较都会跟着错。

在平台上跑一遍

在百沐一下，这一步不用写代码。把您从 GEO 下的补充文件（哪怕还是 .gz）直接上传，说清楚目的——「这是某研究的 RNA-seq 原始 count 补充文件，帮我整理成行基因、列样本的标准矩阵，并和这份分组表对齐」——平台会识别文件、判断是不是原始计数、把矩阵和分组表整理好交还给您。上传数据、讲清要什么即可：组学智能体使用说明 或直接开始 https://app.baimuyixia.com。

相关