geo数据是fpkm吗，别被概念绕晕了，7年老手告诉你真相

很多刚入行或者做生信分析的朋友，拿到GEO数据第一反应就是问：这数据是fpkm吗？其实这个问题背后，你真正想问的是：我该怎么处理这些原始数据，才能做出靠谱的差异表达分析？今天我就把这套逻辑掰开揉碎了讲，帮你省下熬夜调参的功夫。

先说结论，绝大多数情况下，GEO里的原始矩阵数据都不是fpkm，甚至连tpm都不是。你下载下来的那些密密麻麻的数字，大概率是raw counts（原始计数）或者经过标准化处理的log2转化值。

我见过太多新手，拿到数据直接拿fpkm的方法去算差异基因，结果跑出来的火山图乱七八糟，p值分布也不对劲。为什么？因为fpkm是用于样本间比较表达量高低的，它消除了基因长度和测序深度的影响，但它不适合做统计检验。差异表达分析的核心是看计数数据的离散程度，这得用负二项分布模型，比如DESeq2或者edgeR，这些工具底层依赖的是整数型的原始计数。

咱们来拆解一下常见的几种数据格式。第一种，也是最坑人的，就是直接下载的txt或csv矩阵。这时候你得去GEO官网看那个GPL平台的注释信息。如果平台是基于微阵列（Microarray）的，那数据通常是探针的荧光强度，这时候你要做的是background correction和normalization，比如用RMA算法，这时候根本不存在fpkm的概念，因为微阵列没有测序深度和基因长度的问题。

如果是RNA-seq数据，情况就复杂点了。有些上传者比较懒，直接上传了处理过的表达矩阵。这时候你要仔细看表头或者文档。如果数值是小数，且范围在0到几十之间，有可能是fpkm或tpm。但如果是整数，哪怕看起来像浮点数（比如100.0），那大概率是counts。这里有个小技巧，你看一下最大值，如果有个别基因数值特别大，比如几万甚至几十万，那绝对是counts。fpkm因为做了标准化，数值通常比较均匀，不会这么极端。

很多人纠结geo数据是fpkm吗，其实是因为他们想偷懒，不想自己重新做QC和标准化。但我要提醒你，用别人处理好的fpkm数据做差异分析，在统计学上是站不住脚的。FPKM忽略了基因长度差异带来的技术偏差，虽然它让不同基因间的表达量可比，但在样本间比较时，它无法准确反映生物学变异。

我有个客户，之前为了赶时间，直接拿论坛里下载的fpkm矩阵去跑DESeq2，结果被审稿人直接打回，理由是统计模型不匹配。后来我们重新从SRA下载原始fastq文件，自己比对、定量，用counts跑了一遍，虽然多花了一周时间，但结果稳稳当当，文章顺利接收。

所以，别纠结geo数据是fpkm吗，而是要问：这数据适合我的分析目的吗？如果手里只有fpkm，又非要算差异表达，那只能退而求其次，用limma-voom或者简单的t检验，但一定要在文章里注明局限性，承认这不够严谨。最好的做法，永远是去GEO里找Series Matrix File (.txt.gz)，然后自己用R语言读取，检查数据分布。

最后给个实操建议。下载数据后，先画个PCA图。如果样本聚类清晰，说明数据质量还行。如果全是乱码或者分布极其异常，那大概率是数据格式不对，或者上传者处理有误。这时候别硬算，重新找数据源。

做生信分析，细节决定成败。别为了省那点预处理的时间，最后赔上整个项目的信誉。遇到拿不准的数据格式，多查几个文献，多问问同行，别盲目自信。

如果你手里正有一堆GEO数据不知道怎么处理，或者跑出来的结果总是不理想，欢迎来聊聊。咱们可以一起看看数据源头，说不定换个思路，问题就解决了。毕竟，这条路我走了七年，踩过的坑比吃过的米都多，希望能帮你少走弯路。