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：

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：

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/