GEO数据集页面完全指南:从元数据到下载入口梳理
- 2026-10-21 00:57:22
写在开头
在做分析的时候，我们离不开NCBI的PubMed以及查找和下载数据的GEO数据库，一个用来找文献，一个用来找数据。
单细胞分析做了不少，数据集看的也很多，但是GEO数据集页面上的信息却并不算完全理解，每次都是大概的看一下物种以及实验概述，就跳到末尾去下载数据了。这次小洁老师提醒，GSM数据集也可以点进去看看！
所以这期以GSE304811（RHOAY42C-driven cell lineage plasticity and immune remodeling of diffuse gastric cancer）和GSE137425为例，系统梳理从 GEO（Gene Expression Omnibus）页面能挖出哪些信息，以及如何逐级深入。
GEO不同层级结构
GEO 数据库采用层级结构，不同前缀对应不同层级，以前我一直比较关注的GSE以及对应的GSM编号hhh，这次我们来看看全部的信息！
| GSE | |||
| GSM | |||
| GPL |
比如这次我们查看的GSE304811，页面上同时能跳转到 2 个 GSM（GSM9157703、GSM9157704）和 1 个 GPL（GPL33896）。
https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE304811 # Serieshttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSM9157703 # Samplehttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GPL33896 # PlatformSeries（GSE）页面能获得的信息
1. 核心元数据
Status：Public / Private（Public 后面的日期是公开日） Title：研究标题 Organism：物种 Experiment type：实验类型（Expression profiling by high throughput sequencing / Other 等） Summary：研究摘要（常常比论文摘要更简洁，可快速判断是否相关） Overall design：实验整体设计（样本如何分组、处理、测序） Submission date / Last update date：投递与更新时间
💡 遇到
Experiment type: Other不要慌，Xenium / Visium HD / 新型 ATAC 等较新技术 GEO 还没来得及建独立分类，都会先归到 Other，具体是什么要看 Overall design 和 Platform 字段。本例 GSE304811 就是因为 Xenium 还没有独立分类，才显示为 Other。
2. 联系与机构信息
Contact name / E-mail：当样本信息缺失或数据有问题时，可以直接发邮件问通讯作者 Organization / Address：研究机构 Country：国家
3. 关联跳转（Relations 区域）—— 容易忽略但非常重要
BioProject：对应 NCBI BioProject ID（如 PRJNA1302780），点进去可以看到项目总览和所有相关数据库记录 SRA：如果有原始测序数据，会显示 SRP 编号，点击可直接跳到 SRA 下载 FASTQ SubSeries / SuperSeries：如果本研究是某个超级项目的子集，或本身包含子集，会在这里显示跳转
⚠️ 注意：Xenium / Visium 这类空间组学平台没有传统意义的 FASTQ 输出，所以 Relations 里也不会出现 SRA 链接。本例 GSE304811 的 Relations 就只有 BioProject 一行，正是这个原因。
GSE137425数据集就有这些对应的条目
4. 平台与样本列表
Platforms：显示 GPL 编号 + 简短描述（如 GPL33896 Xenium In Situ Analyzer: Mus musculus）Samples：列出所有 GSM 编号 + 简短标签（如 GSM9157703 EKP/GSM9157704 RKP），每个都是可点击的超链接
5. 数据下载区（页面底部）
最下方是实际拿数据的入口：
| SOFT formatted family file | ||
| MINiML formatted family file | ||
| Series Matrix File | 芯片数据最常用的下载方式GEOquery 读的就是这个 | |
| Supplementary file (RAW.tar) |
本例 GSE304811_RAW.tar 为 17.3 Gb，格式是 MTX + PARQUET + TIFF + TSV —— 这正是 10x Xenium Onboard Analysis 的标准输出文件组合：MTX 是 cell × gene 表达矩阵，PARQUET 是转录本和细胞边界坐标，TIFF 是 DAPI/膜染色影像，TSV 是元数据。
📌 顺带一提：论文摘要里提到了 scRNA-seq 数据在GSE304907 下。
Sample（GSM）页面能获得的信息
点击任意一个 GSM 编号（例如 GSM9157703），进入的是单样本层级页面，这里才是最详细的实验方法学描述所在，很多在 GSE 页面只有一句话带过的内容，在这里会展开写：
1. 样本基本信息
Title：样本名（如 "EKP"） Sample type：SRA / RNA / genomic 等 Source name：组织/细胞来源（如 "mouse gastric tumor organoid"） Organism：物种 Characteristics：非常关键 —— 样本的分组标签，格式为 key: value，如：tissue: Diffuse gastric cancer
2. 实验方法学（最详细的部分）
Growth protocol：样本/细胞的培养方式 Treatment protocol：处理方式（给药、刺激、时间点） Extracted molecule：提取的分子（total RNA / genomic DNA / polyA RNA 等） Extraction protocol：详细的抽提步骤、建库试剂盒、文库制备流程
Library strategy：RNA-Seq / scRNA-seq / WGS / ChIP-Seq / ATAC-Seq / Spatial… Library source：transcriptomic / genomic / metagenomic 等 Library selection：cDNA / polyA / RANDOM / 10X Chromium's gene expression… Instrument model：具体机型（NovaSeq 6000 / Xenium Analyzer / NextSeq 2000…）
3. 数据处理（Data processing）
作者自述的分析流程，典型包含：
使用的软件和版本（Cell Ranger 7.0.0 / STAR 2.7.10 / Xenium Onboard Analysis 1.7…） 参考基因组版本（mm10 / GRCh38 / refdata-gex-mm10-2020-A…） 过滤、比对、定量参数 结果文件格式说明
4. 文件下载区（样本级）
GSM 页面也有独立的下载区，和 GSE 的区别在于：
Supplementary file：仅属于该样本的处理后文件（如单样本的 matrix.mtx.gz/features.tsv.gz/barcodes.tsv.gz三件套）SRA Run Selector：原始 FASTQ 下载的核心入口，点击后跳转到 SRA Run 页面（SRR 编号），从那里可以下载 .sra 或直接拿 FASTQ
Platform（GPL）页面能获得的信息
点击 GPL33896 进入平台层级页面，关注点在"用什么测的"：
Title / Technology type：平台名和类型（高通量测序 / 芯片 / 空间） Organism：目标物种 Manufacturer：仪器制造商（Illumina / 10x Genomics / Agilent / Affymetrix…） Distribution：是否公开商业产品 Submission date：平台被登记进 GEO 的时间 Series / Samples using this platform：反向查询 —— 可以看还有哪些研究用了同款平台，便于横向对比
对测序数据：GPL 页主要提供机型信息，没有探针表。
对芯片数据：GPL 页包含关键的"探针-基因"注释文件，很多老旧芯片的分析都卡在这一步。
不同数据类型该下哪个文件？
GEO 页面上下载选项很多，不同数据类型对应的"正确入口"不一样：
| Series Matrix File | GEOquery::getGEO() 一行读取 | |
| Supplementary file | ||
| SRA | ||
Supplementary filematrix.mtx.gz 三件套 | Read10X() | |
Supplementary filespatial/ 文件夹和图像） | ||
| Supplementary file | ||
| Supplementary file | ||
| Series Matrix |
小结：从 GSE 页面到数据到手的通用流程
GSE 页面负责"是什么研究、有哪些样本"，GSM 页面负责"每个样本到底怎么做的"，GPL 页面负责"用什么机器测的"。
GSE 页面（研究总览） ├── 看 Summary / Overall design → 判断相关性 ├── 看 Platforms → 知道测序方式 ├── 看 Samples 列表 → 点进 GSM 看每个样本细节 │ └── GSM 页面 │ ├── Characteristics → 做 metadata 表 │ ├── Data processing → 复现分析流程 │ └── SRA 链接 → 下 FASTQ ├── 看 Relations → BioProject / SRA / 相关 GSE └── 底部下载区 ├── Series Matrix → 芯片 / 已处理矩阵 ├── RAW.tar → scRNA / 空间 / 原始处理文件 └── SOFT/MINiML → 批量脚本解析元数据
