做肿瘤研究的朋友，估计都在GEO里栽过跟头。

别嫌我说话直，很多新手拿到的数据，根本没法做差异表达。

为啥？因为样本配对没搞对。

今天我就把压箱底的经验掏出来，全是真金白银买教训换来的。

首先，你得明白一个死理儿。

肿瘤组织和癌旁，它不是简单的“有病”和“没病”的区别。

它是同一个体在不同病理状态下的对比。

如果你去GEO里随便搜个关键词，下载一堆数据。

打开一看，有的只有肿瘤，有的只有癌旁。

这种数据，直接扔垃圾桶都嫌占地方。

因为个体差异太大，基因背景不同，根本没法比。

这就是为什么很多人做出来的火山图，全是红红绿绿一片，最后发现没几个是真的差异基因。

那咋办？

第一步，学会看Series Matrix文件里的样本信息。

别光看Title，要看Sample GSM里的详细注释。

重点找两个词：Tumor 和 Normal。

或者 Primary 和 Adjacent。

注意，Adjacent不一定是癌旁，可能是正常组织。

一定要看注释里有没有写“Adjacent to tumor”或者“Peritumoral”。

如果有这种明确标注，那才是我们要找的癌旁。

要是只写了Normal，那大概率是健康人的正常组织。

这两者混在一起做分析，结果能信吗？

肯定不能。

第二步，筛选配对样本。

这是最耗时的活，但也是最关键的。

你得把同一个病人的肿瘤和癌旁配对起来。

比如，GSM12345是肿瘤，GSM12346是同一个病人的癌旁。

这种成对的数据，才能用配对t检验或者limma的paired设计。

不然，你就得用普通的差异分析，那假阳性率会高得吓人。

我在做项目的时候，经常遇到这种坑。

有些数据集，号称有100个样本。

你仔细一看，只有50个是配对的。

剩下50个，要么只有肿瘤，要么只有癌旁。

这种数据，如果你强行合并，那就是在自欺欺人。

第三步，检查临床信息。

这点容易被忽略。

看看病人的年龄、性别、分期。

如果肿瘤组全是晚期，癌旁组全是早期，那差异可能不是癌症引起的，而是年龄或分期引起的。

这种混杂因素，必须要在分析前排除。

或者在统计模型里加上这些协变量。

不然，你找出来的差异基因，可能是年龄相关的，跟癌症半毛钱关系没有。

第四步，验证数据质量。

下载完数据，别急着跑代码。

先画个PCA图。

看看肿瘤和癌旁能不能分开。

如果混在一起，那这数据可能有问题。

或者批次效应太强，需要重新做批次校正。

我见过不少同行，因为没做这一步，最后发文章被审稿人怼得狗血淋头。

说你的数据质量不行，结论不可信。

那时候再想补救，黄花菜都凉了。

还有，关于价格。

如果你自己搞不定这些筛选和配对。

找外包公司做，一般一个数据集的预处理加差异分析，收费在2000到5000不等。

看数据量大小和分析复杂度。

别贪便宜，找那种几百块包干的。

那种多半是套模板，根本不管数据质量。

最后给点真心建议。

做GEO网站中肿瘤组织和癌旁分析，核心在于“配对”和“注释”。

别偷懒，别嫌麻烦。

每一个样本的注释，都要亲自核对一遍。

宁可少用几个数据，也要保证数据的纯净度。

毕竟，垃圾进，垃圾出。

你输入的是垃圾，输出的也只能是垃圾。

如果你还在为数据配对发愁，或者不知道怎么写统计模型。

可以来聊聊。

我不一定非让你找我做，但能帮你避开不少坑。

毕竟，这行水太深，一个人摸索，容易迷路。