用途
GEO Database 技能用于访问 NCBI 的基因表达综合数据库（Gene Expression Omnibus，GEO）。GEO 是 NCBI 的公共存储库，收录高通量基因表达和功能基因组学数据，包含超过 264,000 项研究、800 多万个样本，涵盖基于阵列和基于测序的实验。该技能适用于搜索基因表达数据集、获取实验数据、下载原始与处理后文件、查询表达谱，以及将 GEO 数据整合到计算分析流程中。
主要能力
理解 GEO 数据组织
GEO 使用不同的登录号类型分层组织数据：
- Series（GSE）：一个完整实验及其相关样本集合，例如 GSE123456，包含实验设计、样本和整体研究信息，是 GEO 中最大的组织单位，当前数量 264,928+ 个系列。
- Sample（GSM）：单个实验样本或生物学重复，例如 GSM987654，包含单个样本数据、实验方案和元数据，关联到平台和系列，当前数量 8,068,632+ 个样本。
- Platform（GPL）：所使用的微阵列或测序平台，例如 GPL570（Affymetrix Human Genome U133 Plus 2.0 Array），描述技术和探针/特征注释，在多个实验间共享，当前数量 27,739+ 个平台。
- DataSet（GDS）：格式一致的精选集合，例如 GDS5678，按研究设计组织的实验可比样本，经过处理用于差异分析，是 GEO 数据的子集（4,348 个精选数据集），适合快速比较分析。
- Profiles：与序列特征关联的基因特异性表达数据，可按基因名称或注释查询，交叉引用到 Entrez Gene，支持跨所有研究的基因中心搜索。
搜索 GEO 数据
GEO DataSets 搜索：可按关键词、生物体或实验条件搜索研究。示例代码使用 Bio.Entrez 的 esearch 方法，db 参数设为 "gds"。示例查询包括 "breast cancer[MeSH] AND Homo sapiens[Organism]"、"GPL570[Accession]"、"expression profiling by array[DataSet Type]"。
GEO Profiles 搜索：查找基因特异性表达模式。示例代码使用 db="geoprofiles"，查询格式为 "{gene_name}[Gene Name] AND {organism}[Organism]"。
高级搜索模式：可组合多个搜索词，使用 AND 等操作符。示例包括 RNA-seq[DataSet Type] + Homo sapiens[Organism] + 2024[Publication Date]，以及 Smith[Author] + diabetes[Disease]。
使用 GEOparse 检索 GEO 数据（推荐）
GEOparse 是访问 GEO 数据的主要 Python 库。
安装命令：
uv pip install GEOparse
基本用法：使用 GEOparse.get_GEO(geo="GSE123456", destdir="./data") 下载并解析 GEO Series，可访问系列元数据（title、summary、overall_design）、样本信息（title、source_name_ch1、characteristics_ch1）和平台信息（title、organism）。
处理表达数据：可从系列矩阵文件提取表达矩阵（gse.pivot_samples('VALUE')），或从单个样本提取。
访问补充文件：使用 gse.download_supplementary_files() 下载补充文件，可设置 download_sra 参数。
过滤和子集化数据：可按元数据过滤样本，例如按标题中的 control 或 treatment 筛选，然后提取子集表达矩阵。
使用 NCBI E-utilities 访问 GEO
E-utilities 提供对 GEO 元数据的底层程序化访问。基本工作流程包括：
- 搜索 GEO 条目：Entrez.esearch(db="gds", term=query, retmax=100, usehistory="y")
- 获取摘要：Entrez.esummary(db="gds", id=ids)
- 获取完整记录：Entrez.efetch(db="gds", id=ids, retmode="xml")
批量处理时需注意对 NCBI 服务器友好，time.sleep(0.34) 限制每秒最多 3 次请求。
通过 FTP 直接访问数据文件
GEO 数据可通过 FTP 直接下载。FTP 路径根据登录号类型构造，例如 GSE 系列文件路径为 /geo/series/GSE{base_num}/{accession}/。可下载的文件类型包括：
- matrix：{accession}_series_matrix.txt.gz
- soft：{accession}_family.soft.gz
- miniml：{accession}_family.xml.tgz
也可使用 wget 或 curl 下载，示例命令：
wget ftp://ftp.ncbi.nlm.nih.gov/geo/series/GSE123nnn/GSE123456/matrix/GSE123456_series_matrix.txt.gz
wget -r -np -nd ftp://ftp.ncbi.nlm.nih.gov/geo/series/GSE123nnn/GSE123456/suppl/
wget ftp://ftp.ncbi.nlm.nih.gov/geo/series/GSE123nnn/GSE123456/soft/GSE123456_family.soft.gz
分析 GEO 数据
质量控制与预处理：检查缺失值、进行对数转换（如需要）、绘制分布图。
差异表达分析：定义样本组，计算倍数变化和 p 值，进行多重检验校正（Benjamini-Hochberg），筛选显著基因。
相关性与聚类分析：绘制样本相关性热图，进行层次聚类。
批量处理多个数据集
可批量下载多个 GEO 系列，提取关键信息（标题、生物体、平台、样本数、提交日期），保存表达数据，并生成汇总表。
使用方式
该技能通过 Python 代码调用，主要依赖 Bio.Entrez、GEOparse、pandas、numpy、scipy、statsmodels、matplotlib、seaborn 等库。使用 Entrez 时需配置邮箱（Entrez.email）。数据下载可通过 GEOparse 库或 FTP 直接进行。
适用场景
- 搜索基因表达数据集
- 获取实验数据
- 下载原始和处理后文件
- 查询表达谱
- 将 GEO 数据整合到计算分析流程
- 差异表达分析
- 样本相关性和聚类分析
- 批量处理多个数据集
限制
资料中未明确说明该技能的具体限制、收费情况、价格、平台支持范围或使用效果。部分功能依赖 NCBI 服务器，需遵守请求频率限制（每秒最多 3 次请求）。