跳到正文
百沐一下百沐一下
登录
本节目录

GEO 数据库检索入门

跟完这篇，您能用一条检索式加三个筛选器，在 GEO 里快速锁定符合课题的公共表达数据集；会用网页和命令行两种方式检索，并在动手下载之前就判断出它到底能不能用。

GEO 是什么

GEO（Gene Expression Omnibus）是 NCBI 维护的公共功能基因组学数据仓库，全世界大量已发表研究的原始与处理后数据都存放在这里，免费、可检索、可下载。芯片表达、RNA-seq、ChIP-seq、甲基化等类型都能找到。

您常打交道的其实是三个入口：

GSE / GSM / GPL 三个概念

看懂 GEO，先分清三个前缀。它们是层层包含的关系：

编号全称是什么一句话记住
GSESeries一整项研究您通常要找、要下载的就是它
GSMSample单个样本一个 GSE 里含多个 GSM
GPLPlatform测序仪或芯片平台说明数据是用哪种技术、哪块芯片产生的

三者的关系是：一个 GSE（研究）下面挂着多个 GSM（样本），这些 GSM 都基于某一个或几个 GPL（平台）。举例，一项对比「10 例肿瘤 vs 10 例癌旁」的研究是一个 GSE，里面就有 20 个 GSM；如果都用同一块 Illumina 测序仪测，那它们共享同一个 GPL。

还有一类 GDS（DataSet），是 GEO 早年人工整理过的数据集，覆盖并不全，新数据基本不再收录。实际检索以 GSE 为准即可，遇到 GDS 当作「被整理过的老数据」看待。

检索页怎么用

打开 GEO DataSets 检索页（https://www.ncbi.nlm.nih.gov/gds），页面分三块，用起来就照着这个顺序：

  1. 顶部搜索框：输入关键词或检索式，回车。
  2. 左侧筛选栏（facets）：物种、研究类型、条目类型等过滤器都在这里，勾一下就即时收窄结果。
  3. 中间结果列表：每一条是一个数据集，显示标题、物种、样本数、平台、编号。点标题进入详情页。

如果一次搜出成千上万条，别急着翻页——先用检索式和左侧筛选把范围压下来，再逐条看，这是最省时间的做法。想拼更精细的条件，搜索框右上角还有 Advanced（高级检索），能按字段一项项搭出检索式。

检索式怎么写（关键词 + 物种 + 研究类型）

一条好检索式一般由三部分组成：主题关键词 + 物种 + 研究类型/平台。用字段标签（写在方括号里）把每个条件钉死，结果最干净。

一个可直接套用的例子——找人类肝癌的 RNA-seq 数据：

hepatocellular carcinoma AND "Homo sapiens"[Organism] AND "Expression profiling by high throughput sequencing"[DataSet Type]

拆开看每一段：

想限定的东西字段标签写法示例
主题（不加标签即在所有字段里搜）无 / [Title]hepatocellular carcinoma
物种[Organism]"Homo sapiens"[Organism]
研究类型[DataSet Type]"Expression profiling by array"[DataSet Type]
条目类型[Entry Type]gse[Entry Type]
样本数区间[Number of Samples]6:500[Number of Samples]
发表时间[Publication Date]2018:2024[Publication Date]

几个写检索式的习惯：

  • 词组用英文双引号包起来，如 "Homo sapiens"，否则会被拆成两个词分别搜。
  • AND / OR / NOT 要大写，这是布尔逻辑词；同义词之间用 OR，比如 (NASH OR NAFLD OR "fatty liver")。
  • 关键词优先用英文：GEO 的标题、描述几乎都是英文，中文关键词基本搜不到。
  • 平台的限定：如果您在意具体某块芯片或测序仪，把它的 GPL 编号当关键词加进去（例如加上 GPL570）就会筛到用该平台的记录；如果只在乎「是芯片还是测序」，交给下一节的筛选器更省事。

三个关键筛选器（物种 / Study type / Entry type）怎么设

检索式之外，左侧筛选栏里有三个过滤器几乎每次都要设，设好了噪声会少一大半。

1. Organism（物种）。 选定您研究的物种，最常见是 Homo sapiens（人）、Mus musculus（小鼠）。不设的话，人和鼠、甚至细胞系跨物种的结果会混在一起。

2. Study type（研究类型）。 这个筛选器决定了数据是怎么产生的，也直接决定您后面怎么分析。两类最常用：

选项含义后续分析走向
Expression profiling by array表达芯片通常拿到的是归一化后的强度值，走 limma 一类流程
Expression profiling by high throughput sequencing高通量测序（RNA-seq）若能拿到原始 counts，可走 DESeq2 一类流程

注意一个小坑：左侧界面上写的是「Study type」，但在检索式里对应的字段标签叫 [DataSet Type]，两个名字指的是同一件事，别被绕晕。

3. Entry type（条目类型）。 强烈建议勾 Series（即 GSE）。因为一个研究会拆成很多 GSM 样本，如果不限定，搜索结果会被成百上千条单样本记录淹没。锁定 Series，一条结果就是一项完整研究，看起来清爽得多。

走一遍：网页版找人类肝癌 RNA-seq 数据

把上面几步串起来实操一次，您就有肌肉记忆了：

  1. 打开 https://www.ncbi.nlm.nih.gov/gds 。

  2. 搜索框里粘贴检索式，回车：

    hepatocellular carcinoma AND "Homo sapiens"[Organism] AND "Expression profiling by high throughput sequencing"[DataSet Type]

  3. 左侧 Entry type 勾选 Series，把结果收窄到研究层级。

  4. 扫一眼结果列表，重点看每条的样本数（Samples）和发表年份，挑几个样本量像样、年份较新的点进去。

  5. 进入某个 GSE 详情页，按「怎么判断能不能用」一节的清单逐项核对。

  6. 选定后，记下 GSE 编号，进入下载环节。

整个过程一般三五分钟，就能从「想找肝癌数据」缩到「锁定两三个候选 GSE」。

用命令行可复现地检索（EDirect）

网页点选适合探索，但换台电脑、过段时间就难以复现。NCBI 官方的 Entrez Direct（EDirect） 把同一套检索搬到命令行，一条命令就能把结果落成一份 GSE 清单，方便存档、复现和批量处理。检索式和网页搜索框里写的完全一样，所以上面学到的写法可以直接搬过来。

安装（macOS / Linux，一次即可）：

sh -c "$(curl -fsSL https://ftp.ncbi.nlm.nih.gov/entrez/entrezdirect/install-edirect.sh)"

用 esearch 检索，-db gds 指定 GEO DataSets 这个库：

# 这一步只回一个命中数量,先确认范围合不合适
esearch -db gds -query 'hepatocellular carcinoma AND "Homo sapiens"[Organism] AND "Expression profiling by high throughput sequencing"[DataSet Type] AND gse[Entry Type]'

命中数合理后，把结果接给 efetch 取详情，再用 xtract 抽出您关心的字段，拉成一张表：

esearch -db gds \
  -query 'hepatocellular carcinoma AND "Homo sapiens"[Organism] AND "Expression profiling by high throughput sequencing"[DataSet Type] AND gse[Entry Type]' \
| efetch -format docsum \
| xtract -pattern DocumentSummary -element Accession n_samples title \
> hcc_gse.tsv

hcc_gse.tsv 大致是「编号 + 样本数 + 标题」三列，导进表格软件就能按样本数排序、按关键词筛选，比在网页里一页页翻快得多。

两个小提示：

  • 字段名以实际输出为准：docsum 里到底有哪些字段，先看一眼再决定 -element 抽哪几个——esearch -db gds -query '...' | efetch -format docsum | head -40。
  • 想直接拿下载地址：docsum 里的 FTPLink 字段给的就是该 GSE 的 FTP 目录，补充文件都在那儿。

怎么判断一个数据集能不能用

搜到不等于能用。点进 GSE 详情页后，照下面四条逐项核对，任何一条不过关都要谨慎。

1. 样本量与重复数。 看 Samples 列表，数清每组各有几个生物学重复。做差异表达分析，每组至少 3 个生物学重复是常被采用的最低门槛（是常用惯例、按数据调，不是铁律；样本越多结论越稳，临床样本受限时也有更少的，但结果要更保守地看待）。只有 1、2 个重复的组，差异分析的统计力很弱。

2. 分组信息清不清楚。 一份能用的数据，得让您看得出「谁是实验组、谁是对照组」。重点看两处：

  • Overall design（总体设计）：作者用一段话描述了实验怎么分组、比什么。
  • 每个样本的 Characteristics（样本特征）：分组、处理、时间点等标签是否齐全、写得规整。

如果分组只能靠猜样本名，或关键的临床/处理信息缺失，整理起来会很费劲，甚至没法分组。

3. 平台对不对路。 在详情页的 Platforms 一栏确认技术类型：

  • RNA-seq：更通用，注释也好处理，多数情况下的首选。
  • 表达芯片：也能用，但要注意该平台（GPL）有没有配套的探针到基因注释；老旧或冷门芯片的注释可能难找。

4. 有没有拿得到的表达量数据。 这是最容易翻车的一条。往详情页最下方看 Supplementary files（补充文件），判断您能不能直接拿到可分析的矩阵：

页面上能看到什么意味着好不好用
补充文件里有原始 counts 矩阵（如 GSExxxxx_raw_counts.txt.gz）RNA-seq 的原始计数已备好好，可直接接差异分析
只有 Series Matrix File处理后的矩阵（芯片多为归一化强度；测序则看作者放了什么）视情况，需确认里面是不是您要的数值
只有指向 SRA 的原始测序数据（FASTQ/SRA）没有现成矩阵，得自己比对定量能用但工作量大，要额外跑比对流程

一句话总结这条：RNA-seq 优先找有没有原始 counts；只有 SRA 原始数据时，要预留自己比对定量的时间和算力。

用 R 批量核对元数据（可选）

候选多的时候，一个个点详情页很慢。R 的 GEOquery（Bioconductor）能把某个 GSE 的样本表型和矩阵维度一次拉下来，几行就看清分组和样本数：

library(GEOquery)

# 把 GSExxxxx 换成您的编号;getGPL = FALSE 跳过下载平台注释,更快
gse  <- getGEO("GSExxxxx", GSEMatrix = TRUE, getGPL = FALSE)
eset <- gse[[1]]                  # getGEO 返回列表:一个平台对应一个 ExpressionSet

pheno <- pData(eset)              # 样本表型:分组、处理等信息都在这里
dim(exprs(eset))                  # 矩阵维度:基因数 × 样本数
table(pheno$characteristics_ch1)  # 看分组标签是否清楚、每组几个样本

想确认能不能直接拿到表达量文件，先只列出补充文件、别急着下载：

# fetch_files = FALSE 只列清单,不下载,先看看有没有原始 counts
getGEOSuppFiles("GSExxxxx", fetch_files = FALSE)

# 确认后再下载,可用 filter_regex 只取需要的文件
getGEOSuppFiles("GSExxxxx", filter_regex = "counts")

把这四条过一遍，您就能在下载前把「样本太少」「没分组」「拿不到矩阵」这些坑筛掉，避免下完才发现用不了。

在平台上跑一遍

检索和下载在 GEO 完成，但拿到数据之后的整理与分析，在百沐一下不用写代码：把从 GSE 下载到的表达矩阵（或原始 counts）传上来，用一句话说清您想比哪两组、对照是谁，平台会零代码替您核对样本、整理矩阵、接着做差异分析。

从上传到出结果的完整流程见 /docs/omics-agent，或直接开始：https://app.baimuyixia.com

相关