基因表达数据去哪找：先分清各库的定位
基因表达相关的公开数据分布在几个各有分工的国际数据库里，选错地方往往意味着白跑一趟——要么找不到你需要的数据类型，要么卡在权限申请上。简单说：GEO是最通用的基因表达数据总仓库，覆盖面最广；TCGA专注癌症多组学数据，且部分数据需要伦理授权；CCLE专注癌细胞系的组学与药物敏感性数据；ArrayExpress是欧洲对标GEO的姊妹库，两边数据会互相同步一部分。下面逐一说清楚。
NCBI GEO：最大众化的入口，完全开放
GEO（Gene Expression Omnibus，基因表达总库）由美国国立医学图书馆下属的NCBI维护，是全球研究者提交基因表达数据最常用的公共仓库，遵循MIAME（微阵列实验最小信息量）标准兼容的数据提交规范。它收录两大类数据：基于芯片的数据（array-based，比如传统基因表达芯片）和基于测序的数据（sequence-based，比如RNA-seq、ChIP-seq等高通量测序结果）。
GEO的一大优势是完全开放：所有数据可以免费查询和下载，不需要注册审批。官方页面显示，目前库中已经收录超过28万个系列（series）、4300多个数据集（datasets）、859万多个样本（samples），这个规模仍在持续增长，具体最新数字以官方页面为准。
检索和下载方式比较灵活：可以用GEO DataSets做数据集层面的搜索，也可以用GEO Profiles按基因做表达谱搜索；下载既可以在网页上直接点，也可以走FTP站点批量拉取，或者用程序化接口（比如R的GEOquery包）自动化获取。GEO还提供一个叫GEO2R的在线分析工具，可以直接在网页上对选定的数据做差异表达分析，不用下载数据到本地就能先做个初步探索。
对大多数基因表达相关的研究和建模任务来说，GEO通常是第一个该去查的地方——覆盖面广、门槛低、格式相对标准。
TCGA：癌症多组学数据的标杆，注意开放与受控访问的区别
TCGA（The Cancer Genome Atlas，癌症基因组图谱）是美国国家癌症研究所主导的大型癌症基因组学项目，覆盖数十种癌症类型的多组学数据（基因组、转录组、表观组、蛋白组、临床信息等）。需要注意的是，TCGA的数据现在统一通过GDC（Genomic Data Commons，基因组数据共享平台）门户分发，而不是一个独立站点，检索和下载都要去GDC Data Portal操作。
TCGA数据分成两个访问级别，这一点必须提前搞清楚，否则规划项目周期时容易踩坑：
开放访问（Open Access）：包括高级别基因组数据（比如已经处理过的表达矩阵、拷贝数变异结果）、临床数据、生物样本数据，这部分不具有个人可识别性，任何人登录GDC门户即可直接下载，不需要额外申请。
受控访问（Controlled Access）：包括低级别的原始测序数据（比如比对后的BAM文件）、种系变异（germline variants）、SNP6基因型数据，这些数据因为涉及受试者的个人遗传信息，必须经过dbGaP（database of Genotypes and Phenotypes）授权流程。具体步骤是：先申请一个eRA Commons账户，通过dbGaP提交数据访问申请，说明研究用途，经过该项目专属的数据访问委员会（Data Access Committee）审批通过后，才能拿到访问令牌，再通过GDC Data Portal网页、Data Transfer Tool客户端或API下载。这个流程本质上是知情同意原则的延伸——受试者当初同意的是数据在审批监督下用于科学研究，不是完全公开。
所以实际规划项目时间线时要留出余量：如果你的研究只需要处理好的表达矩阵和临床信息，开放访问数据当天就能拿到；但凡涉及原始测序读数或种系变异，就要预留dbGaP审批的等待周期，这个周期不受研究者自己控制。
CCLE：癌细胞系的组学与药物敏感性数据，已并入DepMap门户
CCLE（Cancer Cell Line Encyclopedia，癌细胞系百科全书）最初由Broad研究所发起，收录大量人类癌细胞系的基因组、转录组特征数据。现在CCLE的数据已经整合进了DepMap（Dependency Map）这个更大的公私合作门户下统一维护和分发，DepMap的定位是给研究社区提供开放访问的癌症脆弱性（cancer vulnerabilities）相关数据。
DepMap门户目前提供的数据类型很丰富，包括全基因组CRISPR筛选结果、成人和儿童癌症模型的组学数据、突变和表达数据、基因依赖性（gene dependency）数据，以及蛋白组学数据等，覆盖两千多个癌症模型。门户上还有若干分析工具，比如Data Explorer（数据浏览）、Context Explorer、Celligner（转录组图谱比对分析）等，可以先在网页上做探索性分析，再决定要下载哪部分数据。
需要提醒一点：DepMap官方明确建议不要直接爬取门户网页获取数据，如果需要批量下载，应该走专门的下载页面（Downloads Page）一次性拿到打包好的数据文件，这样既符合官方使用规范，也比逐页抓取快得多、稳定得多。
ArrayExpress：欧洲对标GEO的姊妹库
ArrayExpress由欧洲生物信息研究所（EMBL-EBI）维护，现在归在其BioStudies平台下作为专门的功能基因组学数据集合，定位与GEO类似，都是收录高通量功能基因组学实验数据的公共仓库。它存储的内容包括样本注释、实验协议说明、处理后的数据，以及原始数据；其中高通量测序产生的原始读数（raw reads）会转发存储到ENA（European Nucleotide Archive，欧洲核苷酸档案库），实际下载测序原始数据时可能需要跳转到ENA那边操作。
数据提交通过Annotare这个网页版提交工具完成，官方也提供了详细的提交指南文档。检索和下载方式比较多样：可以在官网通过Browse ArrayExpress功能浏览查询；程序化访问可以用Bioconductor的ArrayExpress R包直接在分析代码里拉取数据；批量下载则支持FTP或Aspera协议直连官方FTP站点。
因为GEO和ArrayExpress两边都鼓励研究者提交数据、且有互相同步收录的机制，实际检索时建议两边都查一下，尤其是欧洲团队发表的研究，数据更可能优先提交在ArrayExpress。
引用与合规提醒
无论从哪个库下载数据，正式使用前都要确认两件事：一是该数据集条目本身要求的引用格式（大多数条目页面会给出具体的引用文本或对应论文DOI，建议逐条核对而不是套用固定模板）；二是访问级别对应的使用限制，尤其是TCGA的受控访问数据，即便拿到了授权，具体的二次使用、数据发布范围也仍然受原始知情同意书条款约束，不能想当然扩大使用范围。规模、许可细节以各官方页面实时公布为准，本文只做入口和流程说明，不代替官方条款。
数据拼接和检索遇到卡点怎么办
实际科研或产品开发中，经常会遇到需要跨库拼接（比如把GEO里的表达数据和TCGA里的临床信息按样本对齐）、或者需要在海量条目里精确定位符合特定条件的数据集这类问题，靠人工逐条筛选效率很低。如果你正在处理这类需求，可以在数聚天成的检索工作台描述具体的检索条件，看看是否有可以直接复用或加工的数据资源；也欢迎先去数聚天成官网看已经整理过的相关领域案例。如果你是在浏览某个具体数据库页面时想快速判断这批数据是否符合你的研究设计，小聚网页数据助手可以在当前网页上帮你做初步判断。