很多刚进实验室的师弟师妹，拿到GEO数据集就头大，不知道从哪下手。今天这篇不讲虚的理论，直接教你怎么用R语言扒出真正有价值的单基因差异。看完这篇，你不仅能跑出结果，还能知道怎么跟导师解释你的逻辑。

先说个真事。上个月帮一个做肿瘤免疫的朋友看数据，他跑了DESeq2，出来一堆P值显著的基因。看着挺热闹，但生物学意义为零。为啥？因为没看表达量基数。有的基因P值小于0.05，但logFC才0.1，这种在临床上一丁点用没有。所以，做geo数据中分析单基因差异，第一步不是跑代码，是看数据分布。

我一般建议，先下载原始count数据，别用FPKM，那玩意儿误差大。用tximport或者直接用原始计数矩阵。然后，分组一定要搞对。很多新手把正常组织和肿瘤组织搞反了，或者把不同批次的数据混在一起没做批次效应校正。我见过最惨的一个案例，因为没去除Batch Effect，最后差异基因全是平台差异，不是生物差异。

具体怎么做呢？咱们拿个常见的TCGA或者GEO公共数据集举例。比如GSE12345这个数据集，里面有20个正常样本，20个肿瘤样本。

第一步，质控。看PCA图。如果正常组和肿瘤组在PCA图上混在一起，那这数据基本废了，或者你分组标签错了。如果分得很开，说明数据质量还行。这时候，再考虑做差异分析。

第二步，差异分析。我用DESeq2比较多，因为它对低表达基因的估计比较稳。代码很简单：

dds <- DESeqDataSetFromMatrix(countData = count, colData = meta, design = ~ condition)

dds <- DESeq(dds)

res <- results(dds)

出来的结果里，重点看两个指标：padj和log2FoldChange。padj小于0.05，logFC绝对值大于1（或者1.5，看具体领域），才算显著。别光看P值，P值容易受样本量影响。样本量大的时候，稍微有点差异P值都很小，但生物学意义不大。

第三步，可视化。火山图和热图是标配。火山图能一眼看出哪些基因上调，哪些下调。热图看样本聚类。如果热图里样本不按组聚类，那前面肯定有问题。

这里有个坑，很多人喜欢用limma-voom，其实对于RNA-seq数据，DESeq2和edgeR更主流。但如果是微阵列数据，那必须用limma。别搞混了。

最后，单基因分析完了，别急着发文章。你得结合通路分析。比如你发现某个基因显著上调，那它参与的通路是什么？KEGG还是GO？这时候，你可以用clusterProfiler包。但注意，通路分析也有假阳性，最好结合文献验证。

我有个学生，之前只做了差异基因列表，没做功能富集，被导师骂了一顿。后来加了GO分析，发现差异基因主要集中在细胞周期和DNA修复上，这就有了故事线。所以，geo数据中分析单基因差异，只是第一步，后面的功能注释和机制探讨才是重头戏。

价格方面，现在市面上代写或者代分析，普通差异分析大概500-1000元一个数据集。如果包含复杂的生存分析、免疫浸润分析，那得2000往上。但我觉得，自己学会比花钱更划算。毕竟，数据是你的，逻辑得在你脑子里。

总之，做分析要有耐心。数据清洗占80%的时间，跑代码只占20%。别嫌麻烦，前期工作做得细，后期结果才漂亮。希望这篇能帮你少走弯路。

本文关键词：geo数据中分析单基因差异