GEO（基因表达综合数据库）

一句话定义

NCBI 的基因表达综合数据库，收录全球研究者提交的高通量基因表达、甲基化、单细胞测序等原始与处理后数据。

数据内容

芯片表达、RNA-seq、ChIP-seq、单细胞 RNA-seq、甲基化芯片、空间转录组等；含原始数据（SRA 链接）和处理后矩阵（Series Matrix）。

覆盖人群与样本量

数量庞大，覆盖人类、模式生物及多种疾病/处理条件。

更新频率

持续更新，每日新增多个 GSE 数据集。

适合的研究类型与科室

数据挖掘、二次分析、疾病标志物、药物处理、单细胞图谱；几乎所有生命科学方向。

发文热度

极高，是二次数据挖掘最常用入口。

申请/使用步骤

1. 进入 GEO 主页，搜索疾病、基因或 GSE 编号。
2. 进入 GSE 页面，查看 Platform、Samples、Series Matrix 文件。
3. 直接下载 Series Matrix（处理后表达矩阵）或 MINiML 文件。
4. 若需原始测序数据，点击 SRA 链接跳转 NCBI SRA 下载。
5. 使用 R 包 GEOquery（getGEO）一键读取表达矩阵与临床信息。

常见卡点与拒因

• Series Matrix 注释平台 GPL 与探针 ID 未转换，导致基因名缺失。
• 未核对样本分组（control vs disease）由作者提供的 characteristics 决定。
• 单细胞数据常以 h5/Seurat 对象形式存放，Series Matrix 可能不适用。