做生物信息研究的朋友，是不是都遇到过这种情况？从 GEO 或 TCGA 下数据，要么下到一半断了，要么速度慢得像蜗牛爬；好不容易下下来了吧，打开一看格式乱七八糟，跟自己分析软件不兼容，真是能把人急死。今天小编就把压箱底的经验拿出来，教大家怎么搞定这两个头疼问题，亲测有效，一起往下看吧！
先解决下载慢的问题，这几招超实用
不管是 GEO 还是 TCGA，数据量大是出了名的，尤其是 TCGA 的癌症数据集，动辄几十 G，下载起来确实费劲。但找对方法，速度能快不少。
先说 GEO 数据库。直接在官网点下载按钮，有时候速度特别慢，尤其是国内网络。小编常用这两个办法：
- 用迅雷之类的多线程下载工具：把 GEO 的下载链接复制到迅雷里，它能分成好几个线程同时下，速度能翻两三倍。之前下一个 5G 的数据集，浏览器下要 4 个小时，用迅雷不到 1 小时就搞定了。
- 用 R 语言的 GEOquery 包直接拉数据：熟手可以试试这个，在 R 里输入代码 “getGEO (“GSEXXXX”, destdir=”.”)”，就能直接把数据下载到本地文件夹，有时候比浏览器稳定多了。有个师兄分享说，他用这种方法下跨国数据，很少断连。
再说说 TCGA，它的下载慢更让人头疼，毕竟文件更大。小编推荐这两个办法：
- 必须用官方的 GDC Data Transfer Tool：这工具是 TCGA 官方出的，专门用来批量下载数据，支持断点续传。安装好后，把从 GDC 网站导出的 manifest 文件导进去，点开始就能自动下，晚上睡觉前开着，早上起来基本就下完了。
- 找国内镜像站：现在国内有些机构会同步 TCGA 的数据，比如 UCSC Xena 的国内镜像，在上面下数据跟下本地文件似的，速度飞快。不过镜像可能不是实时更新的，对时效性要求高的话还是得用官方工具。
提醒一句，下载的时候最好避开网络高峰，比如工作日的 9 点到 11 点，那时候大家都在抢带宽，速度肯定慢。凌晨或者半夜下，体验会好很多。
格式不兼容？别急，这样转就对了
下完数据只是第一步，格式不对才真让人崩溃。GEO 和 TCGA 的格式五花八门，跟后续的 R、Python 或者 GraphPad 这些工具经常 “打架”，小编总结了最常见的几种情况和解决办法。
先处理 GEO 的数据格式。GEO 里最常见的是 CEL 文件和 Series Matrix 文件：
- CEL 文件：这种是原始芯片数据，用 Excel 打不开，必须用专门的软件。新手可以用 Affymetrix Power Tools（APT）转换成文本格式，或者直接在 R 里用 affy 包读取，代码也简单，“read.celfiles (“文件名”)” 就行，转换成表达式矩阵后就能直接用了。
- Series Matrix 文件：这种是预处理过的文本文件，用 Excel 打开会乱码，因为分隔符不对。可以先在记事本里打开，另存为 CSV 格式，再用 Excel 打开就正常了；导入 R 的话更简单，用 read.delim 函数直接读，省得转格式。
再看 TCGA 的数据，它的格式更复杂，尤其是 RNA-seq 和突变数据：
- RNA-seq 数据：下载下来的是一堆压缩文件，里面是 HTSeq-FPKM 或者 HTSeq-Counts 格式。直接解压后是文本文件，但基因名和样本名的格式很特别。小编一般用 R 的 TCGAbiolinks 包，它能自动把这些文件转换成标准的表达矩阵，还能顺便把样本 ID 转换成易懂的格式，省了超多功夫。
- 突变数据（MAF 文件）：这种格式专门记录基因突变信息，用普通表格软件打开会错位。推荐用 maftools 包处理，能直接读取 MAF 文件，还能画突变图谱，特别方便。有个做乳腺癌研究的师姐说，她以前手动整理 MAF 文件，一天才能弄好一个数据集，用这个包半小时就搞定了。
还有些小技巧，老手可别错过
除了上面说的方法，还有些细节能让效率更高：
- 下载前先看清楚数据大小，小文件（几百 M 以内）用浏览器或迅雷就行，大文件（1G 以上）一定要用专用工具，不然很容易断。
- 格式转换时，尽量用 R 或 Python 的专用包，比手动转换准确率高多了。小编见过有人手动改基因名，结果改错了好几个，后面分析全白做了。
- 建个专门的文件夹分类存放数据，比如 “GEO_肺癌”、“TCGA_肝癌”，每个文件夹里再分 “原始数据” 和 “处理后数据”，找的时候一目了然，不会乱。
论坛上有位老师分享过，他团队以前处理 10 个数据集要花 3 天，用对方法后一天就能搞定，还没出错。其实这些问题看着难，多试几次就熟了，刚开始慢没关系，慢慢就找到窍门了。
小编最后想说，下载慢和格式不兼容确实是家常便饭，但别被它们吓住。按今天说的方法一步步来，多积累点经验，以后处理数据会越来越顺。要是试的时候遇到新问题，欢迎在评论区交流，咱们一起想办法解决！
