公共数据挖掘模块：一键调 TCGA / GEO

跟完这篇，您能从一个研究问题出发，在公共数据库里找到一份「预处理好、可以直接分析」的数据集，三分钟判断它到底能不能用，接入分析后拿到一张具体的差异表或生存结果——全程不用自己从原始测序数据算起。

公共数据挖掘，到底省了什么

「公共数据挖掘」说白了就一件事：别人已经测好、还整理好的数据，您拿来直接回答自己的问题。它省掉的不是分析，而是分析之前那段最耗时、最不出彩的活——找数据、下原始文件、比对定量、清洗格式。

关键分水岭是「原始」还是「预处理好」。同样是公共数据，这两条路的工作量差着一个数量级：

	原始数据	预处理好的数据集
拿到的东西	FASTQ / SRA 等测序原文件	规整的表达矩阵 + 分组／临床信息
您要做的	自己比对、定量、注释、去批次	直接读进来就能算
花的时间	几天，还要算力	几分钟
适合谁	需要最原始、最完整字段	绝大多数分析，尤其是快速验证想法

这篇只讲第二条路：怎么找到预处理好的数据、判断它可用、接进分析拿到结果。除非您有特殊需求，能用预处理好的就别去碰原始文件。

第一步：把问题写成检索条件

找数据之前，先把问题写成一句「谁比谁、看什么」的话。这句话直接决定您要找什么样的数据集，也决定后面用哪种方法分析。

以一个贯穿全篇的例子来走：「肝癌里，肿瘤组织和正常组织比，哪些基因的表达变了？」

把它拆成检索时要用的几个条件：

要素	本例	决定了什么
物种	人（`Homo sapiens`）	筛掉小鼠、细胞系
疾病／组织	肝细胞癌（liver / hepatocellular carcinoma）	检索主题词
对比分组	肿瘤 vs 正常	数据集里必须同时含这两组
数据类型	表达谱（RNA-seq 或芯片）	决定去哪个库、用哪种方法
结局变量	无（本例只做差异）／若问预后则需生存时间	决定要不要带临床信息

这一步别省。最常见的翻车是：数据下下来才发现它「只有肿瘤、没有正常」，或者「没有生存时间，做不了预后」。把要素列清楚，检索时就能一眼排除这些。

第二步：去这几个地方找预处理好的数据

预处理好的公共数据集，主要集中在下面几个来源。它们各有侧重，按您的问题挑：

来源	覆盖	拿到的是什么	怎么取
TCGA / GDC 官方	33 个癌种的多组学	较原始，字段全，需自己整理	R 包 `TCGAbiolinks`
UCSC Xena	TCGA、GTEx、TARGET 等	已归一化、开箱即用的矩阵	网页下载 / 直读文本
cBioPortal	大量癌症基因组学研究	在线勾选即得，含临床	网页 / R 包 `cBioPortalData`
GEO（GEO2R）	海量 GSE 数据集	在线跑差异，直接出结果表	GSE 页面上的网页工具
GEO（GEOquery）	海量 GSE 数据集	处理后的 Series Matrix	R 包 `GEOquery`
recount3	大量 RNA-seq 研究	统一口径重新处理过的 counts	R 包 `recount3`

对着本例（肝癌肿瘤 vs 正常）挑几条常见路子：

想要癌症数据、还想补上正常组织——去 UCSC Xena。 TCGA 本身的正常样本很少，Xena 提供了把 TCGA 肿瘤和 GTEx 正常组织统一处理后的合并队列，正好补齐这个短板。下下来是纯文本矩阵，直接读入：

# Xena 下载的是纯文本矩阵，行是基因、列是样本
expr <- read.table("TCGA-LIHC.expr.tsv", header = TRUE, row.names = 1, sep = "\t")
# 注意：Xena 上的表达值通常已归一化 / log 转换过，不是原始 counts（下面会用到这点）

从一篇论文里看到某个 GSE 号——用 GEOquery 直接拉处理后的矩阵：

library(GEOquery)
gse  <- getGEO("GSExxxxx", GSEMatrix = TRUE)   # 换成真实编号
eset <- gse[[1]]
expr <- exprs(eset)   # 表达矩阵：行基因、列样本
meta <- pData(eset)   # 样本信息：分组、临床都在这里

只想快速看某个 GSE 的差异结果、连数据都不想下——用 GEO2R。 它是 NCBI 挂在每个 GSE 页面上的网页工具，您在页面上把样本分成两组，点一下，它就在线用 limma 跑出一张差异表给您，全程不用下载。适合快速探路。

做 RNA-seq、后面要用 DESeq2、需要原始 counts——用 recount3。 它把大量 RNA-seq 研究按统一流程重新处理，直接给统一口径的 counts：

library(recount3)
projects <- available_projects()                        # 列出已统一处理的项目
rse      <- create_rse(subset(projects, project == "LIHC"))
counts   <- transform_counts(rse)                       # 得到可用的原始 counts 矩阵

选哪条的经验法则：要快、要开箱即用，去 Xena / cBioPortal；手里已有 GSE 号，用 GEOquery / GEO2R；要原始 counts 走标准 RNA-seq 流程，用 recount3。

第三步：三分钟判断它能不能用

搜到不等于能用。选中一个数据集，动手分析前先照下面四条快速核对，任何一条不过关都要谨慎。

有没有您要的两组。 本例必须同时含「肿瘤」和「正常」样本。翻一眼样本的分组／临床标签，确认两组都在、且分得清楚。只有肿瘤没有正常，这个问题就做不了。
样本量与重复数够不够。 数一下每组各有几个样本。做差异表达，每组至少 3 个生物学重复是常被采用的最低门槛（是惯例、不是铁律；样本越多越稳，临床受限时更少的也有，但结论要更保守地看）。
分组信息清不清楚。 好数据要让您一眼看出谁是实验组、谁是对照。重点看样本的 Characteristics / 临床表里，分组列是否齐全规整；如果只能靠猜样本名，整理起来会很费劲。
拿到的数值是什么口径。 这条最容易被忽略，却直接决定下一步用什么方法——是原始 counts，还是已归一化 / log 转换过的值？看数据集说明或矩阵里的数值范围就能大致判断（整数大多是 counts，带小数的一两位数多半已归一化）。

前三条不过关，换一个数据集；第四条不用于取舍，但记牢它，第四步要用。

第四步：接入分析，拿到一个结果

数据核对通过，就可以接进标准分析了。用哪种方法，取决于第三步第 4 条判断出的数值口径——这是预处理好的数据最容易踩的坑：

拿到的是原始 counts（recount3、部分 GEO / TCGA counts 矩阵）→ 走 DESeq2（负二项模型要整数原始计数）；
拿到的是已归一化 / log 值（芯片数据、Xena 的 log 矩阵）→ 走 limma。

路线一：原始 counts → DESeq2。

library(DESeq2)
# counts：原始计数矩阵；coldata：一列 group，取值 tumor / normal
dds <- DESeqDataSetFromMatrix(counts, coldata, design = ~ group)
res <- results(DESeq(dds), contrast = c("group", "tumor", "normal"))

# 常用惯例阈值，按数据调，不是铁律
sig <- subset(res, padj < 0.05 & abs(log2FoldChange) > 1)

路线二：已归一化 / log 值 → limma。

library(limma)
# expr：已归一化 / log 表达矩阵；group：因子，tumor / normal
design <- model.matrix(~ group)
fit <- eBayes(lmFit(expr, design))
tt  <- topTable(fit, coef = 2, number = Inf)   # 差异表：logFC、adj.P.Val

跑完您就拿到了本篇要的具体结果：一张差异表，列着每个基因的 log2 倍数变化和校正后 p 值，按阈值一卡就是差异基因列表。到这一步，一个「肝癌肿瘤 vs 正常」的差异分析，从找数据到出结果，全程没碰过一个原始测序文件。

上面的 padj < 0.05 且 |log2FC| > 1（约 2 倍）是领域常用惯例、不是铁律：样本量大可收紧到 padj < 0.01；差异基因太少可放宽到 |log2FC| > 0.585（约 1.5 倍）。阈值最好在看结果前定好，别调到「好看」为止。差异分析每一步的门道见 DESeq2 差异表达分析怎么做对。

拿到差异基因后，常见的下一步是富集分析、火山图、或（若数据带生存时间）预后分析，见文末相关链接。

几个绕不开的坑

预处理好的数据省事，但不等于没坑。用之前把下面几条记在心里。

口径没对上。 把归一化 / log 值当原始 counts 喂给 DESeq2，或反过来，都会得出错误结果。动手前务必确认数值口径（第三步第 4 条），据此选方法。
拼数据集就有批次效应。 把多个来源（比如 TCGA 肿瘤 + GTEx 正常，或几个 GSE）合在一起，批次差异会混进结果，甚至盖过真实的生物学差异。合并分析前要识别并处理，见批次效应识别与去除。
样本名要对齐。 表达矩阵的列名和分组／临床表的样本名，必须在大小写、下划线、前后缀上完全一致，否则接不上。整理规范见表达矩阵与分组表整理规范。
引用归属别漏。 公共数据都有原始出处。写进论文或报告时，请按数据集标注的原始数据库与项目编号（如 TCGA 项目名、GEO 的 GSE 号）致谢并引用；您只是使用者，不改变原始归属。
别人的处理口径未必透明。 「预处理好」意味着有人替您做了归一化、过滤等决定，而这些决定您未必完全知道。做重要结论前，尽量看清该数据集的处理说明；口径不清时，结论要更保守。

在平台上跑一遍

上面这一整条——检索、判断口径、按口径选对方法、接进分析——在「百沐一下」不用写代码：进【数据分析 → 公共数据挖掘】，按疾病、组织、来源（TCGA / GEO）筛选，列表直接显示每个数据集的样本量、分组、平台；选中一个「一键」接入智能统计、智能绘图或组学智能体，用一句话说清「谁比谁、做什么」，平台替您核对样本、对齐口径、跑完出结果，还附可复现的 R 代码。想把公共数据和自己的数据联合分析，勾选时一起选上即可。

用法见公共数据挖掘使用指南，或直接开始：https://app.baimuyixia.com 。