用途:访问 NCBI GEO(基因表达综合数据库),检索、下载并解析高通量功能基因组学数据,包括微阵列、RNA-seq、ChIP-seq、甲基化等实验的 GSE 系列、GPL 平台与 GSM 样本记录。
主要能力:用 E-utilities 的 ESearch/ESummary 按关键词、物种、平台、记录类型检索 GEO 数据集并获取标题、样本数、物种等摘要;用 GEOparse 下载并解析 GSE 系列,读取系列元数据、样本表型表、GSM 样本表;通过 pivot_samples 提取探针×样本表达矩阵,并用 GPL 注释表映射基因符号;对大型系列可直接从 GEO FTP 下载 series matrix 文件。
使用方式:需安装 GEOparse、requests、pandas(pip install GEOparse requests pandas),并具备网络连接与本地写入权限。E-utilities 未认证限速 3 请求/秒,带 API key 为 10 请求/秒,需提供有效 email;GEO FTP 无限制。典型流程为:检索获得 UID,取摘要,下载 GSE,提取表达矩阵并合并平台注释,保存为 CSV。
适用场景:查找公开基因表达数据集、下载并解析特定 GSE、提取样本注释用于荟萃分析、将微阵列数据载入 DataFrame、检索与某基因或通路相关的实验、构建自动化下载处理流程。
限制与注意:单细胞 RNA-seq 大规模数据建议改用 cellxgene-census,比对读段应从 ENA/SRA 下载 FASTQ。SuperSeries 本身不含样本,须先解析 relation 字段并下载其 SubSeries,否则会丢失实际数据。GPL 注释列名因平台而异,需先检查 gpl.table.columns。大型系列用 GEOparse 可能卡顿,建议改用 FTP series matrix。探针到基因映射可能一对多或无对应,需自行决定处理策略。
其他事实(如收费、价格、平台支持范围)暂未提供。