GEO数据下载与注释：三种路径实测对比

核心洞察

这篇文章最有意思的点在于，它把GEO数据下载和注释这件事拆成了三个可选路径，而不是丢给你一套“标配代码”。很多人第一次碰GEO，最头疼的就是注释文件格式五花八门，TXT、SOFT、R包到底选哪个？看完你就知道，其实取决于你手头碰到的那个GPL平台长什么样。实测下来，TXT格式最通用，但R包最省事——前提是你用的平台得有人写好了包。

---

核心结论

1. GEO数据下载和注释有三种可选路径：TXT格式（下载full table）、SOFT格式（下载.soft.gz文件）和对应平台的R包（如hgu133plus2.dbR包，提供Affymetrix Human Genome U133 Plus 2.0 Array的注释信息。）。前两种方法至少有一个可用，第三种仅限热门平台。
2. 处理表达矩阵时，程序会自动判断是否需要log2转换：若数据已做过log2转换会显示“log2 transform not needed”，否则自动完成并提示“log2 transform finished”。
3. 筛选高质量数据集的标准是样本量大于30，且实验设计包含癌组织与癌旁正常组织的对比。这两个条件可以筛掉大量无效数据。
4. 注释整理的关键流程：读取注释文件后，将探针ID与表达矩阵ID匹配，删除无注释探针和重复基因（保留表达值最大的探针），最后行名改为基因名，导出为GSE.txt文件。

一、从GEO官网下载表达和临床数据

先打开GEO主页：https://www.ncbi.nlm.nih.gov/geo/

GEO数据库公共功能基因组学数据存储库，支持符合MIAME标准的数据提交里都有啥

搞懂这几个编号，后面就不会迷路。

GEO Platform（GPL）
就是实验用的芯片或测序平台。里面存着探针和基因的对应关系、平台设计参数这些元数据。
比如GPL570，是Affymetrix的人类基因组U133 Plus 2.0芯片。

GEO Sample（GSM）
单个样本的实验数据。包含原始文件（比如CEL）、处理后的表达矩阵，还有样本描述（疾病状态、处理条件啥的）。
比如GSM12345，一个肺癌组织的表达谱。

GEO Series（GSE）
把多个样本（GSM）串起来的一个完整研究项目。里面会写实验设计、分析方法，以及所有相关的GSM和GPL的索引。
比如GSE12345，包含了20个肺癌样本的转录组数据。

GEO Dataset（GDS）
NCBI自己整合并标准化过的数据集。格式统一，自带表达矩阵和注释，还有差异分析工具。
比如GDS1234，是标准化后的乳腺癌表达数据集。

怎么筛选你想要的数据

第一步：关键词检索
用癌症名称、研究目的、同义词这些关键词搜。比如肺癌、lung cancer、NSCLC。

第二步：缩小范围
一般只筛物种就行——临床研究选human（Homo sapiens），可信度高。点进去再看具体信息：如果是看基因表达，就选Expression profiling by array；研究表观遗传的选Methylation profiling by array；需要特殊分子或者整合分析的，点Customize。

第三步：挑高质量的数据集
样本量大于30，实验设计要有癌组织和癌旁正常组织的对比。这两个条件能筛掉很多废数据。

第四步：下载数据
页面里选Series Matrix File(s)。这个文件包含三部分：GSE基本信息、临床信息、表达矩阵。一起打包，省事。

---

二、获取注释信息

注释就是把探针ID翻译成基因名。获取方式有三种，一般前两种里至少有一个能用，第三种只对部分常见平台友好。

进入对应平台文件（GPL）页面，拉到最底下。

1. TXT格式

看到Download full table，点它。下载下来就是制表符分隔的文本文件，直接读入R。

2. SOFT格式

如果页面显示的是View full table，那就点SOFT formatted family file(s)。进去后再下载.soft.gz文件。解压后是SOFT格式，需要特殊解析。

3. 对应平台的R包

有些流行平台（比如GPL570对应的hgu133plus2.db）已经有人写好了R包。代码和详细说明可以参考这篇转载：
https://blog.csdn.net/weixin_40739969/article/details/103186027

---

三、注释及整理

不同方式拿到的注释文件，处理方式也不一样。
重要的事说三遍：先解压，先解压，先解压文件。

下面代码块里，#后面是注释，你照着自己的路径和文件名改就行。

1. TXT格式的处理

library(GEOquery)
setwd("你自己的工作目录路径")

# 下载矩阵（目录下已有会自动读取）
# 获取表达矩阵
# 注意看log2的提示：
#   如果数据已经log过，会显示 log2 transform not needed
#   如果没log，程序会帮你做log2转换，完成后显示 log2 transform finished

# 获取临床信息
# 输出临床信息

# 读入TXT注释文件
# 查看内容
# 提取探针ID和基因symbol
# 修改列名
library(stringr)

# 去掉没有注释到symbol的探针
# 注意：有些探针ID全是数字，R会默认当成数值型，要转成字符型
# 平台文件里的ID和表达矩阵里的ID做匹配（用%in%）

# 获取匹配的表达数据
# 查看探针名和注释文件名是否完全一致
# 合并
# 删掉重复基因，保留表达值最大的那个探针
# 注意检查是否需要删掉某些行（比如对照探针）
# 把行名改成基因名
# 删掉前两列（探针ID等）
write.table(data.frame(ID=rownames(dat),dat), file="GSE.txt", sep="\t", quote=F, row.names=F)

2. SOFT格式的处理

library(GEOquery)
setwd("你自己的工作目录路径")

# 下载矩阵
# 获取表达矩阵（同样注意log2提示）
# 获取临床信息并输出

# 下载SOFT注释文件（目录下有会自动读入）
# 提取注释信息
# 查看
# 提取探针ID和基因symbol
# 修改列名
library(stringr)

# 去掉无注释探针
# 探针ID转字符型
# 匹配ID
# 获取匹配表达数据
# 检查一致性
# 合并
# 删除重复基因，保留最大值
# 注意检查行
# 转化行名
# 删掉前两列
write.table(data.frame(ID=rownames(dat),dat), file="GSE.txt", sep="\t", quote=F, row.names=F)

3. 用对应平台的R包

library(GEOquery)
setwd("你自己的工作目录路径")

# 下载矩阵
# 获取表达矩阵（log2提示同前）
# 获取临床信息并输出

library(hgu133plus2.db)  # 换成你平台对应的包
library(dplyr)

# 查看列名，获取SYMBOL
# 获取探针ID和gene symbol
# 修改列名
# 获取基因symbol
# 去掉无注释探针
# 探针ID转字符型
# 匹配ID
# 获取匹配表达数据
# 检查一致性
# 合并
# 删除重复基因，保留最大值
# 注意检查行
# 转化行名
# 删掉前两列
write.table(data.frame(ID=rownames(dat),dat), file="GSE.txt", sep="\t", quote=F, row.names=F, col.names=T)

---

四、导出

1. 临床信息

整理一下：删掉不需要的列，只保留你要的——性别、年龄、分期、生存状态这些。

2. 表达矩阵

上面代码已经导出了GSE.txt。行是基因，列是样本，值就是表达量。可以直接拿去跑差异分析、画热图之类的了。

常见问题（FAQ）

GEO数据库中的GPL、GSM、GSE、GDS分别代表什么意思？

GPL是芯片平台，包含探针与基因对应关系；GSM是单个样本数据；GSE是系列，包含多个样本及实验设计；GDS是NCBI标准化后的数据集。

如何筛选高质量GEO数据集？

关键词检索后，选择人类样本，样本量大于30，实验设计包含癌组织和癌旁正常组织对比，可信度高。

获取GEO注释信息有哪三种方式？

TXT格式（下载全表）、SOFT格式（需解析）、对应平台的R包（如hgu133plus2.db）。R包最省事，但仅限于常见平台。