GEO 数据库：二十三年数据生态的进化与实测体验

核心洞察

先说结论：GEO 这个数据库比你想象的要老，也比你想象的要活得好。它从2000年上线到现在，经历了微阵列到测序的技术大转型，数据量翻了不知道多少倍。这篇文章有意思的地方在于，它不是在讲一个静态的仓库，而是在说一个不断自我更新的生态系统——比如最近新增的那些交互式图表，确实能让筛差异基因这种事从苦力活变成半自动。不过说句实话，数据质量参差不齐的问题依然存在，GEO 能做的只是把原始数据管好，分析结果靠不靠谱还是得看实验设计。

核心结论

1. GEO 数据库自 2000 年上线，截至 2024 年已运行 23 年，最初只收集微阵列芯片数据，后扩展至新一代测序数据。
2. GEO 目前存储超过 20 万项研究、650 万个样本的数据，涵盖基因表达、表观基因组、染色质结构等多种高通量数据类型。
3. 2024 年，GEO 对数千个 RNA-seq 研究统一重新分析并生成标准化的基因表达计数矩阵，可直接下载用于跨研究比较。
4. GEO2RAn interactive analysis tool within GEO for identifying differentially expressed genes and assessing dataset quality. 在线分析工具于 2013 年推出，2024 年新增交互式火山图、MA 图和箱线图，用户无需编程即可在浏览器中完成差异表达分析及数据质量评估。

GEO 到底是什么

NCBI GEO，全称 Gene Expression Omnibus，是国际公共基因表达数据库。2000年由 NCBI 建立，最初只收基因表达数据，后来技术变了，它也跟着变。现在不光收基因表达数据，还收表观基因组学数据、染色质结构数据、基因组-蛋白相互作用数据。你手头做完的高通量测序或芯片数据，只要期刊要求公开，基本最后都会放到这里。

GEO 现在存了超过 20 万项研究、650 万个样本的数据。原始数据、处理后的数据、描述性元数据，全都收。这些数据可以检索、可以下载、可以拿来重新分析。简单说，它就是高通量功能基因组学数据的央妈。

一个数字档案馆的二十年

GEO 到2024年已经活了二十三年。2000年创立的时候，正好是微阵列芯片技术爆发的年代。当时的主要目的很单纯——给科研人员一个地方存放基因表达数据。但没过多久，大家发现微阵列还能干别的，比如看基因组拷贝数变异、做全基因组 DNA 结合蛋白图谱。

GEO 的设计一开始就留了弹性空间。它没有把自己框死在"只存基因表达数据"这个定位上，而是用了 platform-sample-series 三层结构。platform 定义探针集，sample 描述被检测的分子群，series 把样本组织成有意义的数据集。这套结构后来被证明非常聪明——新数据类型来了，往里塞就行，不用重写架构。

到 2007 年，GEO 已经存了几百亿条基因表达测量值，覆盖上百种生物。到了 2011 年，它又扛住了从芯片到二代测序的转型。2013 年推出了 GEO2R，一个基于 R 的 Web 应用，让不会写代码的人也能分析 GEO 数据。2024 年的更新更直接——弄了一套统一的基因表达计数矩阵，还把可视化图表做得更友好。

从微阵列到测序：GEO 的变身

GEO 成立的头十年，数据来源几乎全是微阵列芯片。那时候研究者提交的是荧光扫描信号值，格式五花八门。GEO 为此搞了一套 MIAME（微阵列实验最低信息标准）兼容的提交体系，支持网页表单、电子表格、XML 和 SOFT 格式。

后来测序技术上来，微阵列迅速退场。GEO 没有掉队，马上适配了测序数据的提交和存储方式。现在你看 GEO 上的数据，新一代测序产生的数据量已经远超芯片数据。每条记录的样本数、测序深度、比对方式，都有详细说明。

2024 年的更新里，GEO 做了一件很重要的事——对成千上万的 RNA-seq 研究做了统一的基因表达计数矩阵。以前不同研究用的分析流程不一样，计数结果很难直接比较。现在 GEO 帮你算好一套标准化的矩阵，大大降低了跨研究分析的难度。

基因表达计数矩阵：GEO 给你"预制菜"

这是 2024 年更新里最实际的一个功能。RNA-seq 数据分析有个麻烦——不同工具、不同参数算出来的基因表达量不一样。你想拿两个不同研究的数据做比较，得先确认它们用了同样的比对工具、同样的量化方法、同样的注释版本。

GEO 现在做的，就是替你把这件事干了。它对数据库里几千个 RNA-seq 研究重新跑了一遍统一的分析流程，生成了标准化的基因表达计数矩阵。你不需要自己下载原始 fastq 文件再从头算一遍，直接从 GEO 下载预制好的表达矩阵就行。

这对那些想做 meta 分析的人来说是重大利好。以前光数据预处理就要花几周，现在跳过这一步，直接去搞下游的差异分析和聚类。

GEO2R 升级版：交互式图谱让筛选更直观

GEO2R 是 GEO 的在线分析工具，2013 年推出。它把 R 分析环境搬到了浏览器里，用户选完数据集、定义好分组、点几下就能跑差异表达分析。不需要装 R，不需要写脚本。

2024 年的更新给 GEO2R 加了几种交互式图形。以前你跑完 GEO2R，得到的数据是一张差异基因列表，要自己再拿别的工具画火山图、MA 图、箱线图。现在这些图直接在 GEO2R 里就能生成，而且是交互式的——鼠标悬停显示基因名、拖拽缩放、点击跳转。你说不上多高级，但在线工具做到这个程度，确实省了很多倒腾的功夫。

这些图还有一个用途是评估数据集质量。如果数据质量差，画出来的分布图会很明显。对不熟悉统计但只想快速判断数据能不能用的新手来说，这个可视化很有价值。

怎么用？老方法，新花样

GEO 提供的数据访问方式挺多的。最基本的当然是网页搜索。GEO 的搜索引擎支持布尔查询，可以按物种、数据类型、平台、作者等维度过滤。搜到感兴趣的数据集，可以直接预览样本信息、下载表达矩阵。

如果你是比较分析党，GEO 的 Profile 功能也值得看。它把数据库里的基因表达量整合到一起，可以让你看某个基因在不同实验条件下的表达趋势。输入一个基因名，系统返回它在所有数据集里的表达曲线。做验证实验时，这条曲线能省很多事。

对于想批量下载的用户，GEO 提供 FTP 下载。你可以用 wget 或 curl 整库拉取。GEO 的各种格式——SOFT、MINiML、Series Matrix——都包含完整的元数据和表达数据。想写脚本自动化处理，选 MINiML 或者 Series Matrix 格式最顺手。

几点小提醒

GEO 是一个好资源，但也不是没有坑。最大的问题是数据质量参差不齐。原始数据都收了没错，但不同实验室的实验设计、质量控制、注释完整度差很多。拿到一个数据集，最好先看看它有没有完整的实验描述、样本是否标注清楚、有没有提交原始数据文件。那些只有处理数据的记录，用起来要格外小心。

另外，GEO 的搜索索引比较古老。有时候你想找一个特定的实验条件，直接搜不一定能捞出来。这时候可以去查 PubMed 上引用这个数据集的文章，里面通常会有 GEO 的访问号。反过来，用 GEO 的链接也能直接跳到相关文献。

GEO 的地址没变过：https://www.ncbi.nlm.nih.gov/geo/。二十三年了，还在那里。

常见问题（FAQ）

GEO数据库是什么？主要收录哪些类型的数据？

GEO是NCBI维护的公共基因表达数据库，收录超过20万项研究、650万样本的数据，包括基因表达、表观基因组学、染色质结构、基因组-蛋白相互作用等高通量数据。

如何使用GEO2R进行差异表达分析？

GEO2R是GEO的在线分析工具，用户无需安装R或编写脚本，选择数据集、定义分组后即可运行差异表达分析，并自动生成交互式火山图、MA图等可视化结果。

GEO数据库的数据质量如何？使用时需要注意什么？

GEO数据质量参差不齐，因实验设计、质控和注释完整度差异大。建议优先选择有完整实验描述和原始数据文件的记录，对只有处理数据的数据集需谨慎使用。