生信数据库怎么选：先看你要回答什么问题

生信数据库怎么选：先看你要回答什么问题

GEO、TCGA、STRING 各管一段，混着用只会白忙

打开浏览器收藏夹，GEO、TCGA、STRING、KEGG、GTEx、cBioPortal排成一列，每一个看起来都该用上，每一个点进去都不知从何下手。这是很多人遇到的第一道坎——不是跑不通代码，而是不知道手上的这批数据能否回答你的问题。

这篇文章并不会把所有的数据库都给你列出来（你记不住的）。它想为你做的三件事是：1.根据研究目的对常用库进行分类，并说明每种类型的适用场景；2.厘清最易混淆的版本与批次概念；3.探讨当前AI工具与MCP服务器在哪个环节能提供助力。

最底层为原始数据仓库。GEO/SRA/ArrayExpress：别人上传的表达式和测序原始数据。TCGA：现在通过GDC获取，里面有肿瘤的表达/变异/临床随访。GTEx：正常组织表达基线。CPTAC：蛋白层面。这些库的共同点是显而易见的：给你原材料，但你要自己控制质量、标准化、分组和统计。它们是证据的来源，它们也是工作量最大的一块。

中间一层为注释和知识库。Ensembl/RefSeq/GenBank管理基因的结构与序列，UniProt管理蛋白质，GO/KEGG/Reactome为基因和通路分类。它们本身不产生数据，只在你做注释、ID转换、富集分析的时候被调用。最容易被忽略的一层，却是版本问题的根源——同一基因在两个版本的注释中可能具有不同的编号和转录本数。

最上面一层为已计算好的成品库。cBioPortal、GEPIA2、TIMER2.0、Kaplan-Meier Plotter：你填个基因它告诉你生存和免疫浸润；STRING：你给它一列基因它就给你个互作网；Metascape、DAVID：它直接给你富集。对于新手来说很友好，快速验证一个想法，补一张图都很轻松。代价是参数被固定：分组如何划分，随访终点如何设定，阈值是多少，这些都是固定的，无法更改也无法在方法中交代每一步。

如果是“处理组和对照组之间哪些基因表达不同”这个问题，那么主战场就是GEO。检索步骤：先确定组织和平台，再查看此数据集是否包含所需的处理和对照，每个组中有多少个样本，是否是同一平台。芯片和RNA-seq的数据不能混合在一块表中进行比较。想做肿瘤和癌旁对比选TCGA，想看基因在正常组织的分布选GTEx补基线。

比如问“这个基因高表达的病人是不是活得更短”？光有表达矩阵是不够的，还需要随访信息。注意TCGA的临床数据从GDC下载时，生存时间的定义（总生存、PFS、DFS是不同的，选择不同结论也不同）。GEO中部分数据集的随访信息随附于系列矩阵或补充文件中，需要自行验证。想快一点的cBioPortal、Kaplan-Meier Plotter、GEPIA2都可以直接生成生存曲线，用于验证没有问题，但是作为主结果要小心。

关心突变、拷贝数、融合，离不开TCGA的MAF文件和cBioPortal。做临床解读，在ClinVar中查看变异的临床意义，gnomAD查看人群频率，dbSNP中查询编号，COSMIC等肿瘤突变数据库需要注册才能使用。这里有个新手容易犯的错误，将胚系变异作为体细胞突变提交，取数时注意看清文件类型及变异调用过程。

STRING, BioGRID, IntAct -蛋白互作；Reactome, KEGG-通路注意STRING的置信度阈值需要写在方法中，0.4和0.7得出的网络大小差异很大，得出的结论也会随之改变。共表达分析例如WGCNA严格来说是一种方法而不是一个数据库，但是它经常与这些库一起使用。

版本问题，听着是小事，但却决定着能否复现。人类基因组存在hg19和hg38两个坐标，TCGA历史数据以及GDC新版本不在同一坐标上。GEO的GPL平台注释文档更新，一批探针隔年映射结果可能不同。Ensembl和GENCODE版本不同，转录集合不同。KEGG和GO本身在不断更新，一份差异基因时隔几个月进行富集，其通路列表不同。做法很简单，在方法和脚本中写明数据库名称、版本号和下载日期，不要仅仅写“数据来自TCGA”这么简单。

批次问题更加隐蔽。经常会有将几个GSE合并增大样本量的情况，但是不同平台、实验室、建库方法的技术差异在聚类图上会直接分两坨。ComBat，removeBatchEffect等，要求每个batch都要有病例和对照，如果一个batch全是肿瘤，一个batch全是正常，校正后就把真实差异也消除了。所以芯片数据和RNA-seq数据也不要硬拼。

还有两个小细节很容易被略过。基因ID:探针到基因符号一般是一对多，Ensembl ID带有版本后缀，基因符号也会更新，转换时要保留完整的映射表，这样比事后猜测要省事的多。样本定义：TCGA中的“癌旁”为癌旁组织，其长期受到肿瘤微环境的影响，与健康人组织有所区别；GEO中标记normal的样本包括健康志愿者外周血及良性病变等，混合对比无意义。

今年的一大变化就是MCP服务器的诞生。MCP是一种使AI能够使用外部工具的协议，将数据库的检索接口包装成“工具”，模型可以直接查询序列、结构、文献、微生物资源库等，无需自己编写API或查阅文档。其实已经有人对公共资源进行了这样的封装，比如BV-BRC这样的微生物资源平台。对使用者来说，好处是“问一句就能取数”，坏处是中间过程被藏起来了。

藏起来的部分恰恰是最需要留痕的——查的是哪个版本，用了什么检索式，返回多少条，过滤条件是什么？这些不明确，导致无法重现和描述方法。另一个问题是混淆了相似编号的数据集或芯片平台与测序平台。所以和AI协作的正确姿势不是“帮我找个数据集做分析”而是让它先列候选、你逐条确认。

稳妥的流程是三步：先说清研究问题、组织、平台、分组和样本量要求；让 AI 列出候选数据集，附上编号、平台、样本构成和是否有随访；你核对原始页面之后再让它下载和分析。PaperOK 科研助手的生信模式大致就是按这个顺序走的——一句话描述研究问题和数据，它会先跟你确认数据集、分组和统计标准，再下载公开数据或读取本地文件，最后交付图表、统计表、报告和可复现的脚本；手上有 GSE 编号，也可以直接报给它。

刚起步，不要急着上5个库。先选择一个与课题最接近的GSE,将差异分析-富集-可视化流程走一遍，再考虑扩大样本、增加验证。这样遇到的问题都是有边界的，数据格式不对，分组标签没有，注释版本不对，一个接一个可以定位。反之，一开始就将五个数据集合并，如果出错，你都不知道哪步错了。

验证部分可用成品库补充：cBioPortal分析突变及生存，GEPIA2分析表达，TIMER2.0分析免疫浸润，STRING分析互作。它们的结果与主分析方向相同，是一个好的佐证，反之，不要急于否定，回头检查样本构成、参数设置。整个过程，版本号、检索式、参数、脚本随手记在一个文件里，写文章时会感谢现在的自己。

数据库不是用来收集的，
是用来回答问题的。