GEO/TCGA数据是否需要标准化的问题

一.对于芯片数据：

GEO中的Series Matrix File(s)通常是经过了标准化和对数转换的数据，但是不是所有的都是

具体判断方法：

表达量是否需要重新标准化：

可以通过boxplot函数观察一下样本表达丰度值的分布是否整齐进行判断

是否需要log2:根据数据值的大小：

如果表达丰度的数值在50以内，通常是经过log2转化的。如果数字在几百几千，则是未经转化的。

注意：是否需要log是根据后续需要什么处理，不同处理对输入数据要求的不同形式来规定的，具体可以查看相关分析包的输入数据要求，比如

image.png

芯片数据标准化：

image.png

image.png

转自此文：https://blog.csdn.net/weixin_43700050/article/details/99703975

二.对于测序数据

Counts值

对给定的基因组参考区域，计算比对上的read数，又称为raw count（RC）

aw count作为原始的read计数矩阵是一个绝对值，而绝对值的特点是基因长度、测序深度不同不可以比较。所以我们要进行标准化把count矩阵转变为相对值，去除基因长度、测序深度的影响，我们采用分析的

标准化的三种方法得出的三种值

RPM (Reads per million mapped reads)：RPM方法：10^6标准化了测序深度的影响，但没有考虑转录本的长度的影响。

RPKM/FPKM方法：10^{3标准化了基因长度的影响，10}6标准化了测序深度的影响。TCGA的数据分析多采用这种结果

TPM (Transcript per million)：TPM的计算方法也同RPKM/FPKM类似，TPM可以看作是RPKM/FPKM值的百分比。TPM实际上改进了RPKM/FPKM方法在跨样品间定量的不准确性。TPM的使用范围与RPKM/FPKM相同。

不同的值在GEO.TCGA中怎么分辨

GEO中需要注意给出的是什么值，临床信息中一般有处理方法记录

TCGA一般会几种标准化之后的值都会给你，你选其中这一种分析，目前多用FPKM值,多还在此基础上log过

具体还可参考生信技能树老师此文
RNA-seq的counts值，RPM, RPKM, FPKM, TPM 的异同:https://cloud.tencent.com/developer/article/1484078

最后

感谢jimmy的生信技能树团队！

感谢导师岑洪老师！

感谢健明、孙小洁等生信技能树团队的老师一路以来的指导和鼓励！