公共数据库与数据检索

组学分析常常不从自己测序开始，而是先用公开数据练手 / 验证假设 / 做对照。

这一篇回答两个问题：

1. 从哪里找数据 — 主流公开库有哪些、各自擅长什么
2. 怎么判断数据合不合适 — 不是任何编号能下到的数据都能用

先看你需要什么类型的数据

不同数据库的产出形态完全不同：

你需要	优先看哪里
找某篇论文的配套表达矩阵	GEO
下载原始 FASTQ	SRA / ENA
浏览已注释的单细胞数据	CELLxGENE
找人类细胞参考图谱	HCA Data Portal
查某个基因在哪些组织表达	Expression Atlas
找癌症基因组 + 临床数据	TCGA / GDC
找表观调控（peak / motif）数据	ENCODE
找人类群体遗传变异	1000 Genomes / gnomAD

下文每一个都有最低限度介绍。先确定需求、再选库。"先去 GEO 搜搜"是浪费时间的常见做法。

常见 accession 编号

公开数据通过 accession 编号追踪。每个库有自己的编号体系：

编号	含义	示例
GSE	GEO Series，一个研究	GSE12345
GSM	GEO Sample，一个样本	GSM123456
GPL	GEO Platform，测序平台	GPL16791
SRP	SRA Study	SRP123456
SRX	SRA Experiment	SRX123456
SRR	SRA Run，真正能下载 reads 的层级	SRR1234567
ERP / ERX / ERR	ENA 对应 SRA	ERR1234567
TCGA-XX-XXXX	TCGA case barcode	TCGA-A1-A0SK
ENCSR	ENCODE Series	ENCSR000AAA

最常见的坑：拿到 GSE 直接找 FASTQ 下不到。FASTQ 在 SRR 层级，需要顺着 GSE → GSM → SRX → SRR 追。

主要数据库

GEO（Gene Expression Omnibus）

NCBI 维护，覆盖功能基因组学最广。论文发表时强制要求把数据上传 GEO，所以"找论文配套数据"几乎必经此处。

• 网址：https://www.ncbi.nlm.nih.gov/geo/
• 内容：表达矩阵、样本元数据、平台信息、补充文件
• 一个 GSE 通常包含若干 GSM（样本），每个 GSM 链到 SRA 的 SRR

检索关键词模板：

关键词 + 物种 + 技术 + 组织/疾病

例：

single cell RNA-seq human liver fibrosis
PBMC scRNA-seq healthy donor

SRA / ENA（原始测序数据）

需要 FASTQ 时基本都到这两家。NCBI 的 SRA 和 EBI 的 ENA 内容是镜像的，下载时哪个快用哪个。

• SRA：https://www.ncbi.nlm.nih.gov/sra/
• ENA：https://www.ebi.ac.uk/ena/

下载工具：

# SRA Toolkit（NCBI 官方）
conda install -c bioconda sra-tools

prefetch SRR1234567
fasterq-dump SRR1234567 --split-files -O data/raw/

# 或 ENA 的 ascp / aria2 直接拉 .fastq.gz

注意：

• 一个 SRR 几个 GB 到几十 GB，先确认磁盘空间
• 批量下载前先用一个 SRR 测试网络
• 记录 SRR 列表和下载日期，方便后续溯源

CELLxGENE Discover（单细胞已注释）

CZI（Chan Zuckerberg Initiative）维护，专注单细胞数据的可视化浏览。

• 网址：https://cellxgene.cziscience.com/
• 内容：已注释的 h5ad 文件，含细胞类型、UMAP、基因表达

适合：

• 在下载前先在线看一眼数据（细胞数、注释、是否有你关心的基因）
• 下载 .h5ad 直接在 Scanpy 里加载
• 比较"我的数据" vs "公开同类数据"

Human Cell Atlas（HCA Data Portal）

国际合作的人类细胞图谱项目，目标是给所有人体组织 / 器官生成参考图谱。

• 网址：https://data.humancellatlas.org/
• 内容：参考级单细胞 / 多组学数据，处理流程严谨

适合：

• 找参考图谱（比如要做细胞类型注释时的"答案集"）
• 接入大型数据整合分析
• 看权威标注的数据

Expression Atlas / Single Cell Expression Atlas

EMBL-EBI 的基因表达查询库。适合"查一个基因"，不适合"下大数据集"。

• 网址：https://www.ebi.ac.uk/gxa/
• 单细胞版：https://www.ebi.ac.uk/gxa/sc/home

适合：

• 查 TP53 在哪些组织高表达
• 做初步假设（这个基因可能在某细胞类型里特异表达）
• 给报告 / 演讲补一张参考图

TCGA / GDC（癌症基因组图谱）

NCI 主导的癌症大队列。包含 33 种癌症约 11000 个样本的基因组、转录组、甲基化、临床信息。

• 主入口：https://portal.gdc.cancer.gov/
• R 包：TCGAbiolinks

适合：

• 肿瘤研究的对照数据 / 验证集
• 大队列统计分析
• 多组学整合教学

注意 dbGaP 限制 — 部分数据需要授权。

ENCODE（表观调控元件百科全书）

DOE / NIH 主导，主要提供 ChIP-seq / ATAC-seq / DNase-seq / RNA-seq 等 functional 数据。

• 网址：https://www.encodeproject.org/

适合：

• 找 motif / peak 标准数据集
• 表观调控研究的基线
• 跨细胞系 / 跨条件比较

1000 Genomes / gnomAD（人类变异）

群体遗传 / GWAS / 临床变异解读绕不开的两个库。

• 1000 Genomes：https://www.internationalgenome.org/
• gnomAD：https://gnomad.broadinstitute.org/

适合：

• 查变异在群体里的频率
• 临床变异分级时排除常见多态性
• 群体遗传学分析

怎么判断一个数据集合不合适

下载前先用这份清单过一遍，比下完发现不能用强：

1. 物种和参考版本

• 物种是不是你研究的（小鼠 vs 人）
• 参考基因组版本是不是兼容（hg19 vs hg38；mm10 vs mm39）

2. 实验设计

• 样本量够不够（差异分析至少每组 3 个生物学重复）
• 分组是否合理（有没有合适的对照）
• 有没有混淆变量（比如所有处理样本都是同一天测的，批次和处理混在一起）

3. 测序深度和数据规模

• bulk RNA-seq：建议每样本 ≥ 20M reads
• scRNA-seq：每细胞 ≥ 10000 UMI、≥ 1500 genes 是基本线
• WGS：30x；WES：100x

4. 元数据完整度

• 样本元数据有没有列清楚（年龄、性别、处理时间、技术批次）
• 没有元数据的数据基本不能用 — 你不知道每个 SRR 是哪个条件

5. 数据是原始还是处理过的

• 处理过的（已 normalize / 已 batch correct）→ 适合快速验证假设
• 原始 FASTQ → 适合自己重做流程，但下载和计算成本高

6. License 和使用限制

• 大多数 GEO / SRA 数据是 CC0（自由用）
• TCGA 部分数据需要 dbGaP 授权
• 临床相关数据可能有 IRB 限制
• 写论文前确认是否需要引用 / 获得授权

常见坑

坑 1：拿到 GSE 直接找 FASTQ

GSE 层级常常没有直接的 FASTQ 链接。需要顺着 GSE → GSM → SRX → SRR 找到 run 层级才能下。

避免：在 GEO 页面找 "SRA" 链接，跳到 SRA Run Selector，下载所有 SRR 列表，再批量下。

坑 2：把原始 reads 当成 counts 用

有些教程把 GEO 上的 *_counts.txt.gz 当作可直接喂 DESeq2 的输入。但 GEO 上传的"counts"可能是：raw counts / TPM / RPKM / 已 batch correct / 已 quantile normalize。

避免：每个数据集先看 README 和原始论文，确认是什么形态。DESeq2 要 raw integer counts，不是 TPM。

坑 3：参考基因组版本不一致

下了 GSE 的 BAM 文件，发现是 hg19 比对的；自己的新数据是 hg38。坐标对不上，下游 region 注释全错。

避免：下载前看清版本。需要时用 liftOver 转换，或重新比对原 FASTQ 到一致版本。

坑 4：元数据匹配不上

GEO 元数据里的样本顺序和表达矩阵列名顺序不一致。直接合并会把 sample A 的处理标签贴到 sample B 上。

避免：每次合并元数据和表达矩阵前，显式 join by sample ID，不要依赖默认顺序。

坑 5：忽略数据上传日期

2014 年的 PBMC 单细胞数据用的是 SMART-seq2，跟现在的 10x Chromium 不能直接比。十年前的 ChIP-seq 没有 input control 是常见情况。

避免：注意数据生成年份和当时的技术状态。老数据值得参考但不一定能直接整合。

AI 辅助检索

让 AI 帮你做：解析复杂检索结果 / 把 GSE 元数据整理成表 / 写下载脚本草稿。

不让 AI 做：判断数据集质量 / 决定研究问题 / 替你看论文摘要里的实验细节。

详见 AI 辅助编程与智能体工具。

下一步

接着深入：

1. 数据与环境准备 — 下载下来的数据放哪、用什么环境跑
2. 单细胞实践 01：实践数据集与数据获取 — 第一个真实流程，配套用 PBMC 3k 公开数据

横向延伸：

• bulk RNA-seq overview — 想从 GEO 上找 bulk 转录组练手时
• 基因组学 overview — 想用 TCGA / 1000 Genomes 时
• AI 辅助编程 — 用 AI 帮你写下载脚本和元数据整理代码

参考资源

• GEO：https://www.ncbi.nlm.nih.gov/geo/
• SRA：https://www.ncbi.nlm.nih.gov/sra/
• ENA：https://www.ebi.ac.uk/ena/
• CELLxGENE：https://cellxgene.cziscience.com/
• Human Cell Atlas：https://data.humancellatlas.org/
• Expression Atlas：https://www.ebi.ac.uk/gxa/
• TCGA / GDC：https://portal.gdc.cancer.gov/
• ENCODE：https://www.encodeproject.org/
• gnomAD：https://gnomad.broadinstitute.org/