做癌症研究的朋友，是不是经常觉得单靠一个数据库很难把问题说透？就像 TCGA 的临床数据虽然全，但样本量有时候满足不了细分研究；GEO 的数据倒是多，可临床信息又不够详细。这时候要是能把俩数据库捏到一块儿用，效果肯定翻倍 —— 但真操作起来，数据整合能把人逼疯。今天小编就带大家聊聊怎么搞定这个难题，亲测能让科研效率至少提一半，一起往下看呗！
为啥非得把这俩放一块儿？
先说说为啥要折腾联合分析。TCGA 的强项是癌症基因组数据全，从突变到甲基化再到患者生存信息，一条龙服务，而且标准化做得好，拿来做生存分析、预后模型特别顺手。但它有个小毛病，同一癌种的样本亚型分得不够细，有时候想研究某个罕见突变亚型，数据就不够用了。
GEO 呢刚好能补这个缺，它里面藏着大量细分研究的数据，比如某种化疗方案后的基因表达变化，或者特定人群的样本数据。但 GEO 的数据格式五花八门，平台差异大，单独用的话得花超多时间清洗。
所以啊，把 TCGA 的标准化数据当 “骨架”，GEO 的细分数据当 “血肉”，研究才能立得住。就像去年咱们实验室做乳腺癌分型研究，单靠 TCGA 找不出某个亚型的特异性标志物，后来扒了 GEO 里 3 个相关数据集一合并，结果立马就清晰了，省了至少两个月的样本收集时间。
整合时最头疼的 3 个坑，这样填才对
说真的，数据整合的坑太多了，小编刚开始做的时候，光标准化就卡了三周。总结下来最容易栽跟头的就这三个：
- 平台差异导致数据没法比
TCGA 用的芯片平台和 GEO 里的常常不一样，直接合并的话，基因表达值能差出天来。咋办呢？可以用 “批次效应去除” 工具，比如 sva 包或者 ComBat 算法，把不同平台的数据 “校准” 到同一个尺度上。记得哦，校准前得先把两个数据库里的共同基因挑出来，那些只在一个库里有的基因，暂时先舍弃掉。 - 样本注释对不上茬
TCGA 的样本 ID 里藏着很多信息，比如是不是肿瘤组织、患者分期啥的，但 GEO 的注释就随意多了，有时候就写个 “cancer”。这时候得手动去翻 GEO 的原始文献，把样本的临床信息一点点补全，虽然费点劲，但总比分析结果出错强。小编之前就吃过这亏，没注意 GEO 里有个样本是复发患者，直接合并后模型全乱了，返工花了整整一周。 - 数据格式转来转去容易错
TCGA 下载的是 txt 格式的 count 数据，GEO 里可能是 CEL 文件或者矩阵表，光是转格式就能让人头大。建议用 R 语言的 TCGAbiolinks 包和 GEOquery 包直接读取原始数据，能自动转换成标准矩阵，比手动转靠谱多了。
3 步走流程，亲测效率翻倍
分享一个我们团队一直在用的流程，按这个来，至少能省一半时间：
第一步：先明确研究目标。比如想找 “某基因在肺腺癌中的预后价值”，就先从 TCGA 里把肺腺癌的表达数据和生存数据拎出来，做个初步分析，看看这个基因和生存有没有关系。
第二步：去 GEO 里搜同样研究肺腺癌的数据集，最好是包含该基因表达和临床结局的。下载后用第一步的方法做标准化，然后和 TCGA 的数据合并，再做一次验证。这时候你会发现，结果说服力一下子就上去了。
第三步：用整合后的数据做深入分析，比如甲基化和表达的关联，或者构建联合预后模型。这时候两个数据库的优势就全发挥出来了 ——TCGA 的甲基化数据全，GEO 的表达数据多，互补性特别好。
上周有个师弟按这个流程做胃癌研究，本来预计要一个月的分析，三周就出结果了，还发了篇不错的会议摘要，他说以前光处理 GEO 数据就得两周，现在把两个库结合起来，反而省了不少事。
来自同行的小建议，都是实战经验
在论坛上看到很多同行分享经验，总结了几点特别有用的：
@病理科李医生 说：“合并数据时一定要留个心眼，把两个数据库的样本量、临床特征做个表格对比，万一 GEO 里的样本全是晚期，和 TCGA 的混合样本合并，结果肯定不准。”
@生物信息王老师 分享：“用 limma 包做差异分析的时候，把‘数据库来源’当成一个协变量加进去，能有效减少批次效应的影响，亲测好用。”
小编自己也加一句，刚开始练手的时候可以找样本量小一点的癌种，比如甲状腺癌，先把流程跑顺了，再挑战大样本数据。
其实啊，GEO 和 TCGA 联合分析就像搭积木，俩数据库各有各的零件，拼对了就能搭出特别棒的研究模型。刚开始可能觉得麻烦，但熟练了之后你会发现，以前要跑好几个实验验证的结论，现在靠整合数据就能初步确认，效率真的不是一星半点的提升。希望今天说的这些能帮到正在头疼的你，有啥问题欢迎在评论区交流，咱们一起把科研效率提上去！
