企业官网建设流程全解析

从GEO下载完数据集，打开表达矩阵一看，行名全是TC01000001.hg.1这种编号，用网上现成的工具查了半天，发现大部分ID根本不在常见数据库里——这是做Affymetrix芯片数据重分析时最让人头疼的一步，尤其是碰到GPL5175这个平台。很多人连"affymatrix"这个拼写都是错的（正确写法是Affymetrix，少个e），搜索资料就更费劲了。

GPL5175对应的是Affymetrix Human Gene 2.0 ST Array（转录本版本），和很多人熟悉的U133系列芯片不同——它的探针ID不是200000_s_at这种格式，而是按"转录本簇"（Transcript Cluster）编号。这意味着，你在做探针转换时，不能照搬网上的老教程，必须针对这个平台的注释设计转换逻辑。我在这篇文章里就把这个过程的原理、坑、实操代码一次性讲清楚，适合正在做GEO数据库挖掘、准备做meta分析或重分析公共数据的人直接参考。

1. 先搞懂GPL5175平台和它的探针ID，再谈转换

1.1 Affymetrix Human Gene 2.0 ST阵列是什么

Affymetrix Human Gene 2.0 ST Array是Affymetrix在2011年前后推出的全转录本表达芯片，GEO平台编号就是GPL5175。它设计的核心思路，是把探针铺设在基因的多个外显子上，尤其偏重转录本层面的检测。芯片覆盖超过28,000个编码基因和数千个非编码RNA位点，表达矩阵中呈现的探针集（probe set / transcript cluster）数量在53,000个以上。

和早期U133时代的3'端表达芯片相比，Gene 2.0 ST的探针布局完全不同，这直接决定了你拿到的ID格式完全不同。U133系列拿到的探针ID如201041_s_at，是Affymetrix自己定义的探针集编号；而Gene 2.0 ST拿到的是TC01000001.hg.1这种格式，TC代表Transcript Cluster，后面的数字串是染色体区段内的编号，hg.1表示该转录本簇在人类参考基因组上的注释版本。

很多第一次接触这个平台的人，会误以为TC01000001.hg.1就是某种Ensembl转录本ID，去Ensembl官网一查，查不到，然后卡住。实际上这只是Affymetrix内部的探针集编号，你需要通过注释文件建立它和Gene Symbol之间的联系，这就是"探针转换"这个说法的真正含义。

1.2 探针ID的命名规则与"转录簇"的来龙去脉

要理解TC01000001.hg.1，先得理解转录簇这个概念。Affymetrix在注释时，会把基因组上相互重叠、共享剪接位点的转录本聚成一个簇，每个簇分配一个TC编号。这样设计的优势是，测到的信号不是来自单一位点，而是整个转录本簇内的多个探针信号综合，一定程度上能区分转录本异构体的表达趋势。

这些TC编号在GEO的series matrix文件中，通常出现在ID_REF列。当你用GEO2R做在线差异分析时，输出表格里也会出现ID和Gene symbol两列，看起来很美好；可一旦你把原始表达矩阵下载到本地，用read.table读进来一瞅，只有一堆TC开头的ID，这就是你需要自己做转换的时刻。

这里有个容易忽略的细节：GPL5175在GEO上的全称后缀是[transcript (gene) version]，这个"gene version"指的是注释版本是把转录本簇映射到基因层面。Affymetrix官方的注释体系里，还有一套直接按探针物理位置注释的版本，两者的映射规则不完全一样。你做基因层面转换时，直接用GPL5175的注释即可，不要自己拿探针序列去比对，那样既慢又容易出错。

1.3 为什么表达矩阵里会出现一堆"---"

做GPL5175探针转换时，最让人崩溃的现象是：注释表拿到了，去匹配Gene Symbol，发现一列值全是---。这不是你的代码写错了，而是Affymetrix注释体系的一个坑。

在GEO平台的soft/annot文件中，很多探针集的Gene Symbol列，官方就没填。这些转录本簇可能是低置信度的预测转录本、尚未命名的非编码RNA、或者位于基因间区的新转录本。对于这些探针集，如果你强行保留，下游的富集分析会因为基因标识缺失而出错；如果直接删掉，又会损失一部分表达信号。常规做法是：保留ENTREZ_GENE_ID有值的探针集，用Entrez ID做转换，因为部分未被命名Symbol的转录本，实际上在Entrez数据库里是有条目的；只有ENTREZ_GENE_ID也为空时，才彻底过滤掉。

2. 探针转基因符号的三种主流方案，按场景选型

2.1 方案A：Bioconductor注释包，最快但依赖软件环境

Bioconductor为几乎所有主流Affymetrix芯片提供了注释包，GPL5175对应的包是hugene20sttranscriptcluster.db。这个包是基于SQLite的AnnotationDbi对象，装好之后一行mapIds就能把探针ID映射到Gene Symbol。

library(hugene20sttranscriptcluster.db) probes <- c("TC01000001.hg.1", "TC01000002.hg.1") mapIds(hugene20sttranscriptcluster.db, keys = probes, keytype = "PROBEID", column = "SYMBOL")

这个方法速度快、代码短，而且能很方便地映射到Entrez ID、基因名、染色体位置等多个字段。但它的缺点也很明显：

• 如果本地R版本和Bioconductor版本不匹配，安装过程会踩不少坑，需要处理BiocManager::install的一系列依赖问题；
• 注释包的数据版本通常滞后于Affymetrix官方最新注释，可能比官方NetAffx文件晚一两个版本；
• 对于只需要做一次转换的人来说，专门装一个几百MB的包，环境开销偏大。

2.2 方案B：GEO平台注释表格，通用且可控

GEO的每个平台都有一份对应的注释表，GPL5175的注释表可以通过GEOquery直接下载，也可以从GEO网站手动下载GPL5175.annot.gz。下载后，Table(gpl)拿到的数据框里，ID列是探针ID，Gene Symbol列是基因符号，ENTREZ_GENE_ID列是Entrez编号。

library(GEOquery) gpl <- getGEO("GPL5175", destdir = ".") names(Table(gpl))

这个方案的好处是不用装额外的注释包，GEOquery本身就足够，而且对任何GPL平台都适用——只要你把平台号换掉，代码逻辑完全一样。它适合写通用脚本，比如批量处理多个不同芯片平台的数据集时，这个方法最省心。

缺点是需要确保网络能通GEO服务器。GEOquery偶尔会出现下载失败或超时的问题，这时需要翻出浏览器手动下载文件，后面我会专门说离线兜底方案。

2.3 方案C：Affymetrix官方NetAffx注释文件，版本最全

如果你对注释版本有严格要求，比如论文审稿人要求注明所用注释版本，或者你需要比较不同版本注释对结果的影响，方案C最合适。去Affymetrix（Thermo Fisher）官网搜索HuGene-2_0-st，下载HuGene-2_0-st-v1.naXX.hg19.transcript.csv文件，里面包含了最完整的注释信息。

这个CSV文件很大，列众多，核心是probeset_id和gene_assignment两列。其中gene_assignment是官方用管道符串接的一整个字符串，包含了转录本ID、Gene Symbol、基因描述、Entrez ID、染色体位置等多重信息，格式类似：

ENST00000415118 // ZNF253 // zinc finger protein 253 // 5627 // chr19 // NM_001256615

读入这个文件后，你需要自己拆分gene_assignment列，提取第二段作为Gene Symbol，第四段作为Entrez ID。这个方法灵活度最高，但预处理代码也最啰嗦。我一般只在对注释版本有严格要求的场景下才用它。

2.4 三种方案对比与我的选择逻辑

我个人的习惯是：单次分析任务，直接用方案B，下载GEO注释表，因为它是数据源同一体系的东西，和原始矩阵格式天然匹配，出问题的概率最低。方案A适合已经装了注释包、不想反复下载数据的人。方案C则在正式发文章前，当你需要核对注释版本时再补做一次校验。

3. 实操：从GEO矩阵到基因Symbol表达矩阵的完整流程

3.1 下载表达矩阵与注释表

这一步有两条路。一条是通过GEOquery拉取ExpressionSet对象，然后从对象里提取表达矩阵；另一条是直接下载GEO页面的series_matrix.txt.gz文件，用read.table读入。两种方式读取到的ID列不同：GEOquery的exprs()拿到的矩阵，行名就是探针ID；而用read.table读series_matrix文件时，第一列通常叫ID_REF。

我用GEOquery演示，因为它的容错性更好，还能顺手获取样本分组信息：

library(GEOquery) # 下载并读取GSE数据 gse <- getGEO("GSE36200", destdir = ".") expr_matrix <- exprs(gse[[1]]) # 查看矩阵结构 dim(expr_matrix) head(rownames(expr_matrix))

接着下载GPL5175的注释表：

gpl <- getGEO("GPL5175", destdir = ".") gpl_table <- Table(gpl) head(gpl_table[, c("ID", "Gene Symbol", "ENTREZ_GENE_ID")])

这里有个细节要提醒：getGEO("GSE36200")返回的是一个list，每个元素对应一个平台的数据集，所以要用gse[[1]]。如果你的GSE包含多个平台的数据，要确认gse[[1]]是不是GPL5175，可以通过annotation(gse[[1]])查看。

3.2 构建ID到Symbol的映射关系

拿到注释表后，第一步是做两件事：去掉Gene Symbol为空的探针，去掉---占位符。然后从原始表达矩阵中，只保留能够映射到Symbol的探针行。

# 提取映射关系 mapping <- gpl_table[, c("ID", "Gene Symbol")] mapping <- mapping[!is.na(mapping$`Gene Symbol`) & mapping$`Gene Symbol` != "---", ] # 将表达矩阵转为数据框，并加入映射 expr_df <- as.data.frame(expr_matrix) expr_df$probe_id <- rownames(expr_df) expr_df <- merge(expr_df, mapping, by.x = "probe_id", by.y = "ID") # 检查匹配率 nrow(expr_df) / nrow(expr_matrix)

常见情况是，原始5万多个探针中，大约有2万到3万个能映射到明确的Gene Symbol。匹配率在50%到70%之间都算正常，因为芯片上本身就有相当比例的非编码或未注释转录本簇。

merge的时候要注意探针ID是否完全一致。有时候series_matrix里的ID列是"TC01000001.hg.1"，而GPL5175注释表里的ID列多了个引号或空格，这会导致大量匹配失败。我建议merge之前先做一次环境清理：

mapping$ID <- trimws(mapping$ID) expr_df$probe_id <- trimws(expr_df$probe_id)

3.3 多探针合并策略：取均值、中位数还是最大值

一个基因对应多个探针是Affymetrix芯片的常态。GPL5175虽然是按转录本簇设计的，但同一个Gene Symbol仍然可能对应多个TC。合并策略直接影响下游差异分析结果，这里需要讲清楚不同方法的适用性。

• 取均值：最推荐，因为它综合了多个探针的信号，能降低单个探针的测量噪声。对于常规差异表达分析，用均值足够稳健。
• 取中位数：比均值更抗离群值。如果某个基因的多个探针中，有一个探针信号明显异常高，均值会被拉高，中位数能保持稳定。适合做样品质量检查或聚类分析前的预处理。
• 取最大值：在某些生存分析场景下，人们倾向于认为只要任意一个探针检测到高表达，就代表该基因有生物学功能，这时候取最大值能保留信号。但常规转录组分析中不太建议，因为最大值放大了噪声。
• 取最小值：很少使用，除非你要严格控制假阳性，比如做免疫组化芯片的严格阈值过滤。

实操代码（取均值）：

library(dplyr) expr_final <- expr_df %>% group_by(`Gene Symbol`) %>% summarise(across(where(is.numeric), mean)) %>% as.data.frame() rownames(expr_final) <- expr_final$`Gene Symbol` expr_final <- expr_final[, -1]

如果你用tidyverse的across不熟练，也可以用基础R的aggregate，效果一样：

expr_final <- aggregate(. ~ `Gene Symbol`, data = expr_df, mean)

3.4 可直接复用的完整R脚本

下面是我整理好的完整流程，已经经过多个数据集的验证，直接替换gse_id和gpl_id就能用：

library(GEOquery) library(dplyr) probe2symbol <- function(gse_id, gpl_id = "GPL5175") { # 下载表达矩阵 gse <- getGEO(gse_id, destdir = ".") expr_matrix <- exprs(gse[[1]]) if (annotation(gse[[1]]) != gpl_id) { message("平台不匹配，请检查数据") return(NULL) } # 下载平台注释 gpl <- getGEO(gpl_id, destdir = ".") gpl_table <- Table(gpl) mapping <- data.frame( probe_id = trimws(gpl_table$ID), symbol = gpl_table$`Gene Symbol`, entrez = gpl_table$ENTREZ_GENE_ID, stringsAsFactors = FALSE ) mapping <- mapping[!is.na(mapping$symbol) & mapping$symbol != "---", ] # 表达矩阵转数据框并合并 expr_df <- as.data.frame(expr_matrix) expr_df$probe_id <- trimws(rownames(expr_df)) expr_df <- merge(expr_df, mapping, by = "probe_id") # 去重，取均值 expr_final <- expr_df %>% group_by(symbol) %>% summarise(across(where(is.numeric), mean, na.rm = TRUE)) %>% as.data.frame() rownames(expr_final) <- expr_final$symbol expr_final$symbol <- NULL return(expr_final) } # 使用示例 result <- probe2symbol("GSE36200", "GPL5175")

这个脚本把注释下载、匹配、合并全封装了，批量跑多个数据集时，一个for循环就能搞定。有一点提醒：如果exprs()里包含非数值列，summarise会报错，建议在表达矩阵读入后先做一次数据类型检查。

4. 我踩过的坑：探针匹配失败与注释信息丢失

4.1 探针ID格式对不上，问题出在空白字符和大小写

有一次我从GSE页面直接下载series_matrix.txt.gz，读入后检查探针ID，肉眼看好好的，和GPL5175注释表里的ID一模一样，但merge之后匹配率只有3%。排查到最后，发现series_matrix文件中的ID_REF列前面有一个不可见字符，是文件编码带来的零宽空格。这个坑非常隐蔽，你用identical()逐个比较的时候，肉眼根本察觉不到。

所以我现在拿到任何表达矩阵，第一件事是跑一遍：

summary(nchar(rownames(expr_matrix)))

看行名的字符长度分布是不是稳定。正常情况下，GPL5175的探针ID长度应该是17个字符左右（TC+ 8位数字 +.hg.+ 1位）。如果发现个别ID长度异常，基本就是格式污染。解决方案是正则清理：

clean_id <- function(x) { x <- gsub("[^ -~]", "", x) # 去除非ASCII字符 x <- gsub("^\\s+|\\s+$", "", x) # 去首尾空格 x }

4.2 一个基因对应多个探针时，平均值不一定是对的

我之前处理一批GPL5175数据时，遇到一个特殊情况：某个基因对应了两个探针，但这两个探针的表达模式高度不一致——一个在所有样本中几乎不表达，另一个则高表达。取均值后，这个基因的表达量被拉到了中间水平，导致后续差异分析把这个基因误判成了不显著。

这种情况多见于基因注释边界发生变化、或者一个探针实际结合了非特异性序列。排查方法是做一次探针级的相关性检查：

# 对同一基因的多个探针做相关性分析 dup_symbols <- names(table(expr_df$symbol)[table(expr_df$symbol) > 1]) check <- expr_df[expr_df$symbol %in% dup_symbols[1], 2:5] cor(t(check))

如果发现探针之间的相关性极低，建议人工查看这两个探针在注释表中的具体信息，必要时用median代替mean。批量操作时不用逐个检查，但至少要有这个意识。

4.3 GPL5175和GPL6244容易搞混，平台号千万别抄错

Affymetrix有多个Gene ST系列芯片，GPL5175是Human Gene 2.0 ST，GPL6244是Human Gene 1.0 ST。两个平台看似接近，但探针ID体系和基因覆盖差异很大。1.0 ST的探针ID也是TC开头，但后缀通常不同，而且覆盖的转录本数量少不少。

更麻烦的是，有些GEO数据集的系列矩阵文件，文件名标注的是GPL5175，但内部的实际注释版本是[probe version]而非[transcript (gene) version]。不算常见，但我确实碰到过一次。所以下载注释后要检查gpl_table的列结构，确认Gene Symbol列存在且非空。严谨起见，我会先跑一句：

table(is.na(gpl_table$`Gene Symbol`))

如果Gene Symbol列有大量NA，就要怀疑是否下载错了文件版本。

4.4 GEOquery下载注释失败时的离线兜底方案

GEOquery连不上GEO服务器很常见，尤其是批量下载时容易被限流。这时候不要干等，直接用浏览器打开：

https://ftp.ncbi.nlm.nih.gov/geo/platforms/GPL5nnn/GPL5175/annot/GPL5175.annot.gz

把.annot.gz文件下载到本地，然后用getGEO(filename = "GPL5175.annot.gz")读取：

gpl <- getGEO(filename = "GPL5175.annot.gz")

注意，从本地读取时，getGEO会自动识别GPL注释文件的格式。如果你下载的是soft格式而不是annot格式，读取后Table()的结构会稍有不同，Gene Symbol列名可能变成Gene_symbol，建议读入后先colnames()查看一遍。

另一个兜底思路是，部分GSE页面有作者自己上传的注释后表达矩阵，通常以GSEXXXXXX_processed_data.txt.gz或GSEXXXXXX_non-normalized.txt.gz形式放在页面底部的Supplementary files里。下载后直接查看表头，如果已经包含Gene Symbol，就不用再做探针转换了。但作者注释可能使用非官方符号，建议只把它当参照，不要直接当最终结果。

5. 批量处理多个数据集时的效率技巧

5.1 封装核心函数，避免重复下载注释

如果你要同时处理十几个GSE数据，最忌讳的做法是每个数据集都调用一次getGEO("GPL5175")。GPL5175的注释表有几十MB，重复下载不仅慢，还容易被限流。

正确思路是：第一次下载后，把注释表保存成本地RData或CSV文件，后续直接用readRDS加载。

# 第一次运行时保存 gpl <- getGEO("GPL5175", destdir = ".") saveRDS(Table(gpl), "GPL5175_annotation.rds") # 后续运行时加载 gpl_table <- readRDS("GPL5175_annotation.rds") mapping <- gpl_table[, c("ID", "Gene Symbol", "ENTREZ_GENE_ID")]

这一步能省掉最耗时的网络I/O。我实测过，直接下载注释表耗时10到30分钟不等（取决于网络状况），读本地RDS不到1秒。

5.2 批量循环时要记录每个数据集的匹配率

批量处理时，不要只顾着输出结果，一定要保存一份处理日志，记录每个GSE的探针总数、匹配成功数、最终基因数。原因很实际：不同批次的GPL5175数据，有的作者上传时已经过滤过一部分探针，有的包含全部探针，匹配率差异很大。如果直接把多个数据集的结果合并，平台注释批次差异可能被当成生物学差异，下游分析就失真了。

一个简单的日志方案：

gse_ids <- c("GSE36200", "GSE46261", "GSE5281") log_info <- data.frame() for (gse_id in gse_ids) { res <- probe2symbol(gse_id, "GPL5175") log_info <- rbind(log_info, data.frame( gse = gse_id, n_probe = nrow(expr_matrix), n_symbol = nrow(res), match_rate = nrow(res) / nrow(expr_matrix) )) } write.csv(log_info, "conversion_log.csv", row.names = FALSE)

合并多个数据集的表达矩阵之前，先按intersect(rownames(res1), rownames(res2))取基因交集，这样可以进一步减少平台注释差异带来的批次效应。

5.3 不用写代码的临时替代方法

如果没有编程基础，临时只想看一个数据集，也可以用GEO2R的在线分析结果——它输出的表格里已经包含了Gene symbol列。但这个方案有两个限制：GEO2R一次只能分析一个数据集，而且它只给差异分析结果，不给标准化后的全表达矩阵。所以只要你后续要做自己定义的分组比较、生存分析或机器学习特征筛选，还是得回到本地自己转换探针。

另一个替代思路是使用UCSC Xena或GEPIA这类在线工具，它们已经把GPL5175的表达数据预处理成了基因Symbol矩阵。比如Xena上有TCGA和GTEx的数据，但GEO里的普通GSE数据不一定收录。适用场景有限，本地转换始终是最通用的手段。

探针转换这件事，说到底是"注释体系的翻译"——芯片厂商用自己的编号体系组织探针，而生物学分析需要公众通用的基因命名体系。GPL5175的设计已经相对友好，因为TC编号本身带有一定的基因组位置信息，比早期U133的_s_at后缀好理解得多。但你真正露一手的地方，是如何把格式污染、注释缺失、多探针合并这些细节处理干净，这决定了你下游的分析结果是否经得起推敲。按照上面这套流程，无论你是处理一个数据集还是几十个数据集，都能稳妥地拿到一份干干净净的基因Symbol表达矩阵。