咱干这行七年了，见过太多刚入行的小兄弟，一上来就抱着R语言教程死磕，结果头发掉了一把，图还是画得稀烂。今天不整那些虚头巴脑的理论，就聊聊怎么从GEO里扒拉出靠谱的affy包芯片数据，顺便把那些坑给填了。

先说个真事儿。上个月有个做肿瘤方向的哥们找我，说他跑出来的差异基因少得可怜，P值全是0.05以上。我一看他的原始数据，好家伙，直接用GEO的raw文件扔进limma，连背景校正都没做对。这就像你拿生米直接煮饭，能不夹生吗？GEO上的数据那是真·原生态，里面泥沙俱下，有的样本甚至混了批次效应，你要是不小心，结论直接反着来。

所以，第一步，别急着下载。你得先看清平台。Affymetrix的芯片现在虽然老，但在很多经典数据集里还是主力。你进去看那个Platform ID，如果是GPL系列的，那基本就是affy包的主场。这时候，别管什么复杂的预处理算法，先用affy包里的rma函数。记住，rma是鲁棒多阵列平均值的缩写，它能把那些乱七八糟的噪声给压下去。很多新手喜欢用mas5，那玩意儿波动太大，除非你是做验证，否则别碰。

第二步，下载和解析。这一步最容易出错的地方在于，很多人直接用GEOquery包里的getGEO，然后发现返回的是一个列表，里面有的元素是ExpressionSet，有的却是AnnotatedDataFrame。这时候别慌，你得判断哪个是数据主体。通常，如果列表里只有一个元素，那直接提取就行；如果有多个，你要看哪个包含exprs矩阵。这里有个小窍门，你可以用class()函数看看每个元素的类，如果是ExpressionSet，那大概率就是你要的。别嫌麻烦，这一步省不得，不然后面全白搭。

第三步，探针映射。这是最让人头疼的环节。Affy芯片的探针是针对转录本的，但很多新基因或者剪接变体，探针可能就不准了。你得用org.Hs.eg.db或者对应的物种数据库，把探针ID映射成Gene Symbol。这里要注意，一个探针可能对应多个基因，一个基因也可能对应多个探针。我的建议是，如果映射不唯一，就保留那些映射最明确的，或者取平均值。别为了凑数，把那些模棱两可的探针硬塞进去，那都是噪音。

第四步，批次效应校正。这点至关重要。GEO里的数据，很多是不同时间、不同实验室做的。如果你直接把所有样本放在一起分析，你会发现聚类图上，样本是按采集时间分的，而不是按表型分的。这时候，用sva包里的ComBat函数，或者limma里的removeBatchEffect。我有个案例，一个队列数据，分成了三批处理，如果不校正，差异基因能差出一倍去。校正之后，那些真正的生物标志物才浮出水面。

最后，验证。别光看火山图好看就完事了。去TCGA或者其它独立数据集里，看看你的关键基因是不是也表达异常。如果只有你的数据里显著，那大概率是过拟合或者批次效应没处理好。

搞geo affy包芯片数据，其实就像淘金。沙子多，金子少。你得有耐心，有技巧，还得有点运气。别指望一键出图，那都是骗小白的。老老实实走流程，每一步都心里有数，做出来的结果才站得住脚。要是遇到那种怎么调参都不对的情况，别死磕，换个思路，或者看看有没有类似的公开分析流程参考。这行干久了，你会发现，细节决定成败，而耐心决定你能走多远。

本文关键词：geo affy包芯片数据