干了七年生物信息，见过太多新手在GEO数据库前头大。明明想找个现成的单细胞转录组数据练手，结果下回来一堆乱码，或者格式根本不对，连Seurat都跑不起来。今天不整那些虚头巴脑的理论，就聊聊怎么从GEO里扒拉出能用的单细胞数据。这活儿看着简单，坑真不少。

很多人第一反应是去GEO官网搜关键词，点进去看Series Record，然后找Supplementary files。看着挺直观，其实这是最大的误区。GEO上的数据分好几种，有的直接给的是count matrix，有的给的是raw fastq，还有的干脆只给了processed data。你要是没看清就下载，后面哭都来不及。

记得去年有个学生找我帮忙，说下了个几百G的数据，结果全是txt文件，根本没法分析。我一看，那是作者自己上传的聚类结果图对应的表格，根本不是原始表达矩阵。这种时候，单细胞转录组geo下载就得讲究策略。别只盯着Series看，得往下拉，看GSM（Sample）级别的记录。

GSM记录里往往藏着真正的宝贝。很多大佬做单细胞，会把原始数据（Raw Data）或者经过初步质控后的表达矩阵单独上传为GSM。这时候，你要找的是那些后缀为.h5ad, .rds, 或者txt/csv的表达矩阵文件。如果看到有Cell Ranger的输出文件，那恭喜你，省去了比对和定量的一大半麻烦。

还有一个容易被忽视的地方，就是Supplementary Data里的Excel文件。别嫌Excel土，有些团队为了展示数据质量，会把每个细胞的UMI数、线粒体基因比例、细胞周期评分都整理成Excel。这对后续过滤低质量细胞特别有用。如果你能拿到这些元数据，预处理的时候能少掉很多头发。

当然，不是所有数据都这么友好。有时候你只能下载到FASTQ文件。这时候，单细胞转录组geo下载只是第一步，后面的比对才是硬骨头。建议直接用Cell Ranger或者Alevin这些成熟流程。别自己写脚本去比对，除非你时间多得没处花。现在的算力虽然便宜，但时间成本更高。

我在处理一个肺癌单细胞数据时，就遇到过这种情况。作者只给了FASTQ，而且分成了很多个Sample。手动拼接容易出错，最好写个简单的bash脚本批量处理。处理完记得检查QC指标，看看双细胞率是不是太高，或者线粒体占比是不是异常。这些细节决定了你后面聚类的效果。

另外，提醒一句，下载大文件的时候，别用浏览器直接下。GEO的服务器有时候不稳定，断断续续的，下完还校验失败。用wget或者curl命令在服务器上跑，或者用迅雷之类的工具。特别是那种几百GB的h5ad文件，断点续传功能能救命。

有时候，GEO上找不到想要的，不妨看看SRA或者EGA数据库。有些单细胞数据因为隐私问题，不会直接放在GEO，而是存在这些专门的地方。虽然申请权限麻烦点，但为了数据完整性，值得折腾。

最后，拿到数据别急着跑分析。先看看README文件，或者作者发的论文，搞清楚实验设计。是PBMC还是组织解离？有没有加药处理？这些背景信息对后续的差异表达分析至关重要。别闷头跑代码，结果发现分组都搞错了，那真是白忙活一场。

单细胞转录组geo下载看似是个技术活，实则是信息检索能力的考验。多翻翻GSM记录，多看看Supplementary文件，多问问前人踩过什么坑。别指望一键搞定，生物信息这条路，稳扎稳打才是王道。希望这些经验能帮你省下几个通宵，早点发文章。

本文关键词：单细胞转录组geo下载