生物数据工具箱：从入门到精通的数据库攻略（一）

在生物学研究的"问题导向型"与"数据驱动型"两大主流范式中，前人已发表的组学数据正由"辅助材料"向"核心资源"转型。这些数据在验证假设、发现新规律、突破实验瓶颈等方面具有不可替代的作用：

1. 验证与纠偏

通过分析他人数据，可验证研究结果的普遍性和可重复性。

2.数据整合与统计效力提升

对于受限于样本量的研究（如罕见病研究），整合多源数据可显著增强研究结论的可信度。

3.科学新发现的"孵化器"

已发表数据中常蕴含未被关注的关联性。例如：从癌症基因组数据中发掘新突变热点，或通过跨物种比较揭示进化规律。

4.资源与伦理限制下的替代方案

针对高成本实验（如长期生态监测）或伦理敏感研究（如人类疾病模型），合理利用公开数据可显著缩短研究周期并降低成本。

尽管已发表数据价值显著，研究者在实际应用中常面临以下挑战：

01 文献里的数据找不到来源

文献通常在方法或结论部分设置"Data availability"板块，说明数据存储的数据库及对应ID（图1）。部分文献可能将相关信息置于附录或"STAR METHODS"中的"KEY RESOURCES TABLE"（图2）。对于作者使用的第三方数据，需通过数据引用文献追溯来源。

快速定位技巧：搜索“data availability”、“availability”、“access”、“accessible”、“raw data”、“processed”等关键词。若出现“Any additional data are available from the corresponding author upon reasonable request”等表述，则表明数据未公开。

图1. 文献名称：Global characterization of T cells in non-small-cell lung cancer by single-cell sequencing

图2. 文献名称：A constitutive interferon-high immunophenotype defines response to immunotherapy in colorectal cancer

02 数据库界面复杂或全是英文，不知道该怎么操作

多数数据库因收录数据多样且功能复杂，导致界面复杂，加之全英文操作界面，显著增加学习成本。这也是我们撰写本系列文章的初衷，后续将逐一详解各类数据库的使用方法。

03 不知道该如何选择合适的数据库

不同的数据库里能下载到的数据也有各自特色。比如GEO数据库主要提供processed data（原始定量或标准化定量结果等），SRA专注原始测序数据。Zenodo数据库可能会包含中间数据（如R语言的rds格式）以及配套代码等。各位老师可以根据需求选择合适数据库。

04 数据库中的数据不知道该如何使用，使用时有什么注意事项

作者上传到数据库中的组学数据通常包含原始数据、原始定量（count）结果以及标准化后的定量结果等等。整合分析时有以下要点要注意：

1）参考基因组是否相同。敲黑板，画重点，合并分析前必须确认双方使用相同参考基因组版本。

2）选择遗传背景一致性较高的样本数据，可显著增强分析结论的重现性。

3）选择数据集时要注意定量分析软件和试剂的版本。比如10X Genomics公司单细胞转录组测序专用的定量分析软件Cell Ranger，早期版本的软件细胞鉴定策略和现版本有很大差别，实验试剂也在不断升级。如果下载使用的processed data是早期版本的结果，可能会因版本迭代造成差异，降低分析结果可靠性。

4）数据整合时要用相同的数据标准化方法。建议下载数据时使用原始定量而不是已经标准化后的定量结果。这里分享一个窍门。对于转录组测序数据，原始定量矩阵中基因表达值都是整数，而标准化后的结果一般是小数，可以根据这一点判断下载的数据类型。

5）有时我们下载到的定量结果基因名是数据库ID（比如人PTRPC基因在Ensembl数据库中的ID：ENSG00000081237）。数据库在更新时可能更改基因的ID，必要时进行ID转换。

6）当数据整合时发现PCA和样品相关性结果存在批次差异时，需要校正批次差。

用好公共数据，借助前人的成果加速你的研究。下期详解GEO数据库使用技巧，敬请期待！