GEO数据库使用2:怎么看下载后的结果

!Series_overall_design：对 Leicester 队列做 RNA-Seq，包含活动性 TB、LTBI、对照、LTBI 进展者纵向样本

这个界面列出所有 GSM，从 GSM2886274 到 GSM2886448，共 175 个样本

每个样本一列，从 B 列开始，对应 GSM2886274、GSM2886275……GSM2886448。也就是说，每个样本是一列，每个字段是一行。如果用 Excel 直接看，会觉得很长……

样本层面有很多重要的信息。

比如我看的这个数据库是结核病相关的，那我就要关注：分组的信息，是全血样本还是单个核细胞，病人的类型有哪些，然后这里也会有涂片的结果、性别、哪个时间点等信息。这个纵向随访信息是非常好的。timepoint_months 和 patient_id 可以识别同一个人的多次采样。例如某些进展者有多个时间点：

Baseline、0.6–2.5 月、2.6–3.3 月、3.4–5.0 月，且标注 Active_TB_diagnosed。这对研究从 LTBI 进展为活动性 TB 的转录变化非常关键。

行代表基因，列代表样本。

A列 (Genes)：Ensembl 基因 ID（如 ENSG00000000003），这是基因的唯一标识符。

B列 (Gene_name)：基因官方名称（如 TSPAN6, TNMD, DPM1），方便人类阅读和理解。

C列 (Gene_biotype)：基因类型（protein_coding，即编码蛋白质的基因）。

D列及往右（样本列）：每一列代表一个样本。表头是 Leicester_with_progressor_longitudinal_Sample1、Sample2 等。

表格中间的数字（如 1, 16, 9, 0, 215 等）是RNA-Seq 测序比对到该基因上的原始 reads 数（Raw counts）。

例如，基因 TSPAN6 在 Sample1 中的原始 reads 数为 1，在 Sample2 中为 16。基因 FGR 在 Sample1 中为 21694，说明该基因在这个样本中表达量非常高。

因为不同样本的测序深度不同，原始 counts 不能直接横向比较。

与上一张 Raw Counts 表对比，数据变成了小数和负数。（例如 3.7777, -0.1630, 10.4312）。这是测序的原始读段数经过标准化和 log2 转换后的表达值。

值越高（如 FGR 的 10.43），表示该基因在样本中表达丰度越高。

值越低甚至为负数（如 CFH 的 -0.163），表示该基因表达极低（负数是因为 log2(1) = 0，如果原始 CPM 小于 1，取 log2 后就会是负数）。