零基础做生信,AI辅助GEO数据下载与核对

🚀 立即免费体验，专属你的AI科研小助手：https://codar.speedai.com

想用公开单细胞数据开展研究，可以先借助 AI 查找候选数据集，再下载需要的表达矩阵和注释文件。真正开始分析前，还要核对文件来源、数据类型，以及细胞和样本的对应关系。

下面以 Codar 和肺腺癌单细胞数据集 GSE131907 为例，按操作顺序完成数据准备。读完后，你应能写出明确的下载需求，找到需要的文件，并检查它们是否适合后续分析。

先说明研究问题和数据需求

打开 Codar，选择“单细胞与虚拟细胞”插件。还没有确定数据集时，可以先描述研究目标，例如：

我想检查肺癌原发组织内，成纤维细胞与 T 细胞之间是否存在可复核的 CXCL12–CXCR4 候选互作证据，请你给我推荐下合适的数据集。

这段需求交代了组织来源、关注的细胞类型和候选分子互作。换成自己的课题时，也应先写清这些条件，帮助 AI 缩小检索范围。

图1｜在Codar中选择插件并输入研究问题。

查看推荐结果时，重点确认物种、组织、实验类型，以及是否包含需要的细胞和样本信息。如果研究限定为原发肿瘤，就需要在后续筛选中区分正常组织、转移部位和其他来源。

已经从论文中获得 GSE 编号的读者，可以直接进入下载步骤。

指定数据集并发起下载

确定使用 GSE131907 后，可以把编号、需要的文件和保存位置一起告诉 AI。下面是一段可调整使用的下载提示词：

请帮我下载 GSE131907 公开提供的 raw UMI 计数矩阵和细胞注释文件，保存到 data/GSE131907。请记录来源链接、文件名和保存路径，并说明各文件的用途。下载失败或未完成的文件请单独列出。

相比只说“帮我下载数据”，这段需求明确了任务范围，也方便之后检查交付物。大型矩阵的下载需要等待，可以让 AI 报告当前进度和最终文件状态。

本例需要关注的两个主要文件是：

• GSE131907_Lung_Cancer_raw_UMI_matrix.rds.gz
  ：UMI计数矩阵。
• GSE131907_Lung_Cancer_cell_annotation.txt.gz
  ：细胞注释表。

计数矩阵记录基因在细胞中的表达计数，注释表则提供细胞所属样本、组织来源和细胞类型等信息。两者需要对应使用。

图2｜GSE131907数据目录示例。目录中还包含后续整理产生的文件，核对下载结果时应以原始文件名和来源记录为准。

对照GEO页面核对文件类型

打开 GSE131907官方页面，找到 Supplementary file 区域，将本地文件与页面列表逐一对照。

图3｜GSE131907的GEO补充文件列表。计数矩阵、归一化矩阵和细胞注释分别列出。

先核对研究编号和完整文件名，再检查文件类型。文件名中的 raw_UMI 表示UMI计数；normalized_log2TPM 表示已归一化并转换的表达数据。它们处于不同的处理阶段，应根据下游分析要求选择。

原始计数矩阵与FASTQ原始测序读段要分开理解。 本例使用的是公开补充文件中的计数矩阵和细胞注释。该研究的官方记录说明，原始测序数据因患者隐私采用 EGA 受控访问，不能把下载到 raw UMI 矩阵写成取得了 FASTQ。

如果只需要从已有计数开展下游分析，可以先准备矩阵与注释；如果计划从测序读段重新处理，则需要另行确认原始数据的获取条件。

打开细胞注释并检查对应关系

细胞注释文件是压缩的文本表格，可以解压后用表格软件查看，也可以让 AI 读取表头和前几行。先保留原文件，避免检查时误改内容。

GSE131907 的注释表包含 Index、Barcode、Sample、Sample_Origin，以及 Cell_type、Cell_type.refined、Cell_subtype 等字段。它们分别帮助识别细胞、样本来源和不同层级的细胞类型。

图4｜细胞注释表局部，可核对Index、Barcode、Sample和组织来源等字段。

正式使用前，还需要确认注释中的细胞标识与表达矩阵能否匹配。可以继续向 AI 提问：

请检查表达矩阵的细胞标识与注释表的 Index 能否匹配，报告匹配数量、缺失或重复的标识，并列出 Sample_Origin 的取值。请先输出检查结果，不修改原始文件。

这是一项建议的检查任务。拿到报告后，应查看是否存在未匹配细胞或重复标识，并核实矩阵的行列含义。不能仅凭两份文件的排列顺序对应细胞，也不能在有缺失时直接忽略。

研究肺癌原发组织时，再结合 Sample_Origin、样本说明和论文确定筛选范围，保留所用样本的对应记录。

下载后保留一份核对清单

进入下一步分析前，检查自己是否已经留下这些材料：

• 数据集编号和官方来源链接。
• 所选文件的完整名称、用途及本地保存路径。
• 每个文件的下载状态和读取检查结果。
• 表达矩阵与细胞注释的匹配结果。
• 根据研究问题确定的样本筛选条件。

AI 可以协助执行检索、下载和文件检查，研究者则需要根据这些记录判断数据是否适用。取得矩阵和注释后，再安排质量检查、细胞筛选及后续分析。

对于 CXCL12–CXCR4 这样的候选互作问题，完成数据准备只是起点。是否存在支持该候选的证据，还需要相应的分析与评估。