公共数据库与数据检索

组学分析的第二个问题是：从哪里找到可信的数据，并确认它是否适合自己的问题？

本章介绍常用公共数据库 GEO、SRA、CELLxGENE、Human Cell Atlas 和 Expression Atlas 分别适合什么数据，以及如何根据 accession 编号追踪数据来源。

AI 工具如何辅助数据检索，详见 AI 辅助编程与智能体工具。

学习目标

完成本章后，你应该能够：

• 知道不同数据库分别适合解决什么问题
• 看懂常见 accession 编号的层级
• 用合适的关键词检索公共数据
• 判断一个数据集是否适合自己的研究问题

公共数据库怎么选

不同数据库解决不同问题。先判断你需要的是原始测序数据、处理后的表达矩阵，还是可交互浏览的注释数据。

常见 accession 编号

公开数据通常通过 accession 编号追踪。

分析前要确认编号层级。很多新手拿到 GSE 后直接找 FASTQ，会发现真正下载 reads 需要进一步找到对应的 SRR。

主要数据库

GEO

GEO 是 NCBI 维护的功能基因组学数据库，常见于论文数据提交。它可以包含表达矩阵、样本信息、平台信息和补充文件。

网址：https://www.ncbi.nlm.nih.gov/geo/

适合：

• 查找论文配套数据
• 下载处理后的表达矩阵
• 查看样本分组和元数据
• 追踪到 SRA 原始数据

检索建议：

关键词 + 物种 + 技术 + 组织/疾病

例如：

single cell RNA-seq human liver fibrosis

SRA

SRA 是 NCBI 的原始测序数据归档库。需要 FASTQ 时通常会用到它。

网址：https://www.ncbi.nlm.nih.gov/sra/

下载常用 SRA Toolkit：

conda install -c bioconda sra-tools

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

注意：

• FASTQ 文件可能很大
• 下载前确认磁盘空间
• 批量下载前先测试一个 run
• 记录 SRR 列表和下载日期

CELLxGENE

CELLxGENE Discover 提供许多可浏览的单细胞数据集，通常可以在线查看 UMAP、细胞类型和基因表达。

网址：https://cellxgene.cziscience.com/

适合：

• 快速浏览单细胞数据
• 查看细胞类型注释
• 寻找可下载的 h5ad 数据
• 比较公开数据中的基因表达模式

使用建议：

• 先在线检查数据是否符合研究问题
• 下载前确认样本、组织、物种和处理流程
• 注意数据是否已经标准化或整合

Human Cell Atlas

Human Cell Atlas 关注人类细胞参考图谱。HCA Data Portal 提供社区生成的多组学开放数据。

网址：https://data.humancellatlas.org/

适合：

• 查找人类组织和器官图谱
• 获取大型参考数据
• 了解细胞类型注释和 atlas 项目
• 作为数据整合和注释参考

Expression Atlas / Single Cell Expression Atlas

EMBL-EBI 的 Expression Atlas 和 Single Cell Expression Atlas 提供基因表达查询和单细胞表达浏览。

网址：https://www.ebi.ac.uk/gxa/

适合：

• 查询某个基因在不同组织或细胞中的表达
• 浏览经过整理的表达数据
• 做初步假设生成
• 辅助解释 marker gene

下一步

继续学习：

• R 数据整理与 ggplot2 可视化
• 单细胞实践 01：实践数据集与数据获取

参考资源

• GEO：https://www.ncbi.nlm.nih.gov/geo/
• SRA：https://www.ncbi.nlm.nih.gov/sra/
• CELLxGENE：https://cellxgene.cziscience.com/
• Human Cell Atlas Data Portal：https://data.humancellatlas.org/
• Expression Atlas：https://www.ebi.ac.uk/gxa/