技能介绍

要解决什么问题

做转录组、药物反应或疾病表达特征分析时，数据往往不在本地，而在 NCBI GEO（Gene Expression Omnibus）里：系列 GSE、样本 GSM、平台 GPL、策划集 GDS 层级嵌套，补充文件体积大，元数据格式也不统一。本技能面向「按条件找数据集 → 拉元数据/表达矩阵 → 接入 Python 或批处理流程」这条链路，而不是泛泛介绍 GEO 首页。

技能如何工作

层级模型：区分 GSE（完整实验）、GSM（单样本）、GPL（探针/测序平台注释）、GDS（可比子集）；表达谱支持按基因名跨研究检索。
检索与取数：关键词/物种/条件搜索；推荐用 GEOparse 做系列级解析（SOFT、系列矩阵、补充文件）；元数据批量查询可走 NCBI E-utilities；大文件与整目录下载优先 FTP（ftp.ncbi.nlm.nih.gov/geo/）。
下游分析要点：QC 与预处理、差异表达、相关/聚类；多系列下载与跨研究 meta 分析；无代码快速探索可用 GEO2R（geo2r/?acc=GSExxxxx）。
格式概念：SOFT 文本元数据、MINiML XML、系列矩阵（样本×特征）通常是拿表达量最快的路径；解读表达值前必须核对平台注释与标准化类型。

边界与注意点

GEO 为用户提交库，平台探针 ID、样本字段命名、批次效应在各研究间差异很大；并非每个系列都有系列矩阵，老提交可能只有原始 CEL 等超大补充包。E-utilities 有速率限制（无 key 约 3 req/s），批任务应加延迟或申请 API key；GEOparse 会本地缓存，需规划磁盘。使用数据须引用原始文献及 Barrett 等 GEO 数据库论文，并留意个别数据集的使用限制。