很多刚入坑生信的朋友，一听到要分析数据就头大。

到底该去TCGA扒数据，还是去GEO找单样本？

这篇直接告诉你怎么选，省下你熬夜查文献的时间。

先说结论，别纠结。

TCGA是官方整理的“精装房”，GEO是用户自建的“毛坯房”。

前者干净规范，后者杂乱但量大。

选哪个，取决于你的研究目的和手头功夫。

很多人误以为GEO比TCGA低级。

这完全是偏见。

GEO里藏着大量未被挖掘的单细胞或特殊队列数据。

但TCGA确实更适合做泛癌种的基础差异分析。

毕竟人家有完整的临床随访，有标准化的测序流程。

我见过太多学生，拿着GEO的原始CEL文件硬啃。

结果质控没过，批次效应大到没法看。

最后只能哭着回来问：为什么别人能跑通，我不行？

因为GEO的数据上传者水平参差不齐。

有的样本处理时间跨度长达五年，技术平台都换了好几代。

这种数据如果不做复杂的批次校正，分析结果基本不可信。

反观TCGA，虽然数据量大，但它是统一平台。

Illumina测序，统一的处理流程。

临床信息更是详细到令人发指。

生存分析、预后模型，直接拿来就能用。

对于初学者，TCGA是练手的首选。

不用花太多精力在数据清洗上，能直接关注生物学问题。

但TCGA也有致命弱点。

它主要是RNA-seq和DNA甲基化数据。

如果你研究的是蛋白质互作，或者特定的代谢物。

TCGA的数据就不够用了。

这时候必须去GEO找那些专门做蛋白组或代谢组的小样本研究。

虽然麻烦，但往往能发现新大陆。

还有一个坑，就是样本量。

TCGA每个癌种大概几百例，对于复杂疾病可能不够。

GEO里有些队列虽然小，但如果是罕见病，那就是宝藏。

比如某个特定基因突变的肺癌亚型。

TCGA里可能只有几十例，甚至不够做统计。

但GEO里可能有几个中心联合起来的上百例。

这时候就要去GEO里淘金。

我有个朋友，做免疫浸润分析。

他先用TCGA数据做了个初步筛选，发现几个关键基因。

然后去GEO里找独立验证队列。

结果发现，在TCGA里显著相关的基因，在GEO的某个队列里完全不显著。

为什么？

因为那个GEO队列是早期肺癌，而TCGA混杂了晚期患者。

这种差异，只有深入挖掘GEO的临床注释才能发现。

如果只看TCGA，结论就是错的。

所以，别把这两个数据库对立起来。

它们互补性极强。

TCGA适合做机制探索，GEO适合做验证和拓展。

最好的策略是，TCGA打底，GEO验证。

或者GEO发现线索，TCGA提供大样本支持。

最后提醒一点，数据下载别偷懒。

TCGA的数据虽然规范，但也要检查临床数据是否完整。

GEO的数据更要仔细看Series Matrix文件。

看看有没有缺失值，看看样本分组是否清晰。

别等到跑完代码，才发现样本标签贴错了。

那才是真的心态崩盘。

生物信息不是跑个软件就完事。

核心在于对数据的理解和批判性思维。

搞清楚geo与tcga区别，只是第一步。

后续的数据整合、批次效应处理，才是真功夫。

别指望一劳永逸，多动手，多踩坑，才能长本事。