NCBI GEO王炸：GEO2R直接分析RNA-seq数据，几家欢喜几家愁？

GEO2R是NCBI GEO团队针对上传到GEO的芯片数据开发的一款在线差异分析、可视化作图工具，是广大数据分析人员的福音。然而，一直以来GEO2R仅针对芯片数据，对于越来越多的测序数据，只能下载所上传的matrix矩阵，进行分析，若没有上传表达矩阵，或者基因组版本不合适的话，往往还得下载原始数据重新分析，耗时耗力。

NCBI GEO团队推出了一项“王炸”更新：GEO2R可以直接分析RNA-seq测序数据了。

小伙伴们：喜大泪奔（喜闻乐见、大快人心、普天同庆、奔走相告）！

同事和我：工作要丢了么？时代抛弃我，连声招呼都不打啊！

1，NCBI GEO为什么要给我们准备RNA-seq count数据？

A major barrier to fully exploiting and reanalyzing the massive volumes of public RNA-seq data archived by SRA is the cost and effort required to consistently process raw RNA-seq reads into concise formats that summarize the expression results. To help address this need, the NCBI SRA and GEO teams have built a pipeline that precomputes RNA-seq gene expression counts and delivers them as count matrices that may be incorporated into commonly used differential expression analysis and visualization software.

大白话就是：SRA服务器上存了大量数据，一般人要分析，得下载，得比对，费时费力，反正数据在他们NCBI服务器上，服务器闲着也是闲着，直接套个pipeline把RNA-seq基因表达count处理好，放出来供大家使用。不知道又要革了多少人的命。

2，支持的物种

目前仅人类。小鼠的在路上，预计2023年秋。

3，数据类型：

raw count：可以下载用DESeq2，edgeR或者limma voom进行后续的差异分析。

Normalized counts：根据测序深度和测序长度标准化的count，包括：FPKM （Fragments Per Kilobase Million，双端）、RPKM（Reads Per Kilobase Million，单端）和TPM（Transcripts Per Kilobase Million）

注释：基因id，gene symbol，descrption，gene ontology等。

4，分析流程

使用hisat2将物种为human，类型为transcriptomic的数据比对到GCA_000001405.15 参考基因组上。比对率大于50%的用featureCounts输出raw count文件。注释数据库用的Annotation Release 109.20190905.

5，如何下载？

https://www.ncbi.nlm.nih.gov/geo/download/?acc= GSE30970

直接换成自己的GSE号就行了

6，局限

GEO上的数据太杂了，GEO team没有对数据质量等深入检查（合不合适他们不管，先跑了再说），所以有以下局限性：

1）counts表达矩阵可能跟已发表文章的不一致

这个很容易理解，不同软件，甚至不同版本算出来的都不一样。

2）超过50%比对率的transcriptomic数据用于分析，所以质检可能很松，并且缺样品

上传的数据类型多样，可能不能直接比较，例如RNA-seq和RIP-seq都在矩阵里，但是不好直接比较。

3）Normalized矩阵文件并非充分标准化的。

对生信数据分析行业带来的冲击：

1）GEO的RNA-seq分析几乎要变得免费，无门槛了

2）有了表达矩阵，直接省了下载、比对的时间，极大提高了工作效率

3）有了统一标准？

4）大规模利用GEO数据的时代又来了

5）伦理问题

微生信助力高分文章，用户167000， 谷歌学术3100