生物公共數(shù)據(jù)庫使用中的常見問題和解決方案

在生物學研究的"問題導向型"與"數(shù)據(jù)驅動型"兩大主流范式中，前人已發(fā)表的組學數(shù)據(jù)正由"輔助材料"向"核心資源"轉型。這些數(shù)據(jù)在驗證假設、發(fā)現(xiàn)新規(guī)律、突破實驗瓶頸等方面具有不可替代的作用：

1. 驗證與糾偏
通過分析他人數(shù)據(jù)，可驗證研究結果的普遍性和可重復性。

2.數(shù)據(jù)整合與統(tǒng)計效力提升
對于受限于樣本量的研究（如罕見病研究），整合多源數(shù)據(jù)可顯著增強研究結論的可信度。

3.科學新發(fā)現(xiàn)的"孵化器"
已發(fā)表數(shù)據(jù)中常蘊含未被關注的關聯(lián)性。例如：從癌癥基因組數(shù)據(jù)中發(fā)掘新突變熱點，或通過跨物種比較揭示進化規(guī)律。

4.資源與倫理限制下的替代方案
針對高成本實驗（如長期生態(tài)監(jiān)測）或倫理敏感研究（如人類疾病模型），合理利用公開數(shù)據(jù)可顯著縮短研究周期并降低成本。

盡管已發(fā)表數(shù)據(jù)價值顯著，研究者在實際應用中常面臨以下挑戰(zhàn)：

01 文獻里的數(shù)據(jù)找不到來源

文獻通常在方法或結論部分設置"Data availability"板塊，說明數(shù)據(jù)存儲的數(shù)據(jù)庫及對應ID（圖1）。部分文獻可能將相關信息置于附錄或"STAR METHODS"中的"KEY RESOURCES TABLE"（圖2）。對于作者使用的第三方數(shù)據(jù)，需通過數(shù)據(jù)引用文獻追溯來源。

快速定位技巧：搜索“data availability”、“availability”、“access”、“accessible”、“raw data”、“processed”等關鍵詞。若出現(xiàn)“Any additional data are available from the corresponding author upon reasonable request”等表述，則表明數(shù)據(jù)未公開。

圖1. 文獻名稱：Global characterization of T cells in non-small-cell lung cancer by single-cell sequencing

圖2. 文獻名稱：A constitutive interferon-high immunophenotype defines response to immunotherapy in colorectal cancer

 
02 數(shù)據(jù)庫界面復雜或全是英文，不知道該怎么操作

多數(shù)數(shù)據(jù)庫因收錄數(shù)據(jù)多樣且功能復雜，導致界面復雜，加之全英文操作界面，顯著增加學習成本。這也是我們撰寫本系列文章的初衷，后續(xù)將逐一詳解各類數(shù)據(jù)庫的使用方法。

03 不知道該如何選擇合適的數(shù)據(jù)庫

不同的數(shù)據(jù)庫里能下載到的數(shù)據(jù)也有各自特色。比如GEO數(shù)據(jù)庫主要提供processed data（原始定量或標準化定量結果等），SRA專注原始測序數(shù)據(jù)。Zenodo數(shù)據(jù)庫可能會包含中間數(shù)據(jù)（如R語言的rds格式）以及配套代碼等。各位老師可以根據(jù)需求選擇合適數(shù)據(jù)庫。

04 數(shù)據(jù)庫中的數(shù)據(jù)不知道該如何使用，使用時有什么注意事項

作者上傳到數(shù)據(jù)庫中的組學數(shù)據(jù)通常包含原始數(shù)據(jù)、原始定量（count）結果以及標準化后的定量結果等等。整合分析時有以下要點要注意：
1）參考基因組是否相同。敲黑板，畫重點，合并分析前必須確認雙方使用相同參考基因組版本。
2）選擇遺傳背景一致性較高的樣本數(shù)據(jù)，可顯著增強分析結論的重現(xiàn)性。
3）選擇數(shù)據(jù)集時要注意定量分析軟件和試劑的版本。比如10X Genomics公司單細胞轉錄組測序專用的定量分析軟件Cell Ranger，早期版本的軟件細胞鑒定策略和現(xiàn)版本有很大差別，實驗試劑也在不斷升級。如果下載使用的processed data是早期版本的結果，可能會因版本迭代造成差異，降低分析結果可靠性。
4）數(shù)據(jù)整合時要用相同的數(shù)據(jù)標準化方法。建議下載數(shù)據(jù)時使用原始定量而不是已經標準化后的定量結果。這里分享一個竅門。對于轉錄組測序數(shù)據(jù)，原始定量矩陣中基因表達值都是整數(shù)，而標準化后的結果一般是小數(shù)，可以根據(jù)這一點判斷下載的數(shù)據(jù)類型。
5）有時我們下載到的定量結果基因名是數(shù)據(jù)庫ID（比如人PTRPC基因在Ensembl數(shù)據(jù)庫中的ID：ENSG00000081237）。數(shù)據(jù)庫在更新時可能更改基因的ID，必要時進行ID轉換。
6）當數(shù)據(jù)整合時發(fā)現(xiàn)PCA和樣品相關性結果存在批次差異時，需要校正批次差。

用好公共數(shù)據(jù)，借助前人的成果加速你的研究。下期詳解GEO數(shù)據(jù)庫使用技巧，敬請期待！