企业官网建设流程全解析

做单细胞数据分析，我见过太多人不是倒在跑流程那一步，而是连数据都没拿对。从GEO数据库下载单细胞测序数据，听起来就是“点开链接、下压缩包、解压”，但真上手你会发现问题全挤在这一步：要么下错文件，要么下载一半断了，要么解压出来不是自己想要的矩阵格式。我刚接触单细胞项目时，光是把别人公开的数据完整拿下来就折腾了快两天，后来把流程固化成了一套固定动作，凡是走这套动作，基本不会再翻车。这篇文章就把这套流程完整拆给你，标题里说的“5个关键步骤”我都会一步一步展开，新手照着走就行，老手也可以看看有没有漏掉自己能用的避坑点。

1. 先弄明白GEO里到底存了什么东西

很多人一上来就找下载按钮，结果页面里一堆文件不知道点哪个。这不能怪你，GEO的结构本来就不太直观。想下载单细胞数据，第一步不是“下载”，而是先看懂页面上的信息。

1.1 GEO的三种编号：GSE、GSM、GPL各管什么

GEO里最常见的编号有三种，对应三个层级。

• GSE是“系列（Series）”，一个GSE代表一项完整的研究，也就是你最终要下载的那个数据集。
• GSM是“样本（Sample）”，一个GSE下面包含若干个GSM，每个GSM对应一个生物学样本。
• GPL是“平台（Platform）”，描述测序或芯片用的是哪种平台，比如10x Genomics的Chromium、BD Rhapsody等。

对单细胞数据来说，你关心的通常是GSE这个层级。因为作者上传数据时，一般会把所有样本的count matrix打包放到GSE的“Supplementary file”里。打开一个GSE页面，往下拉，你会看到“Supplementary file”一栏，里面可能有单独的.h5文件、.mtx.gz文件，也可能是一个.tar打包文件，这种情况下先下载tar再解压。

我建议你下载前先看一眼页面上“Samples”列表，确认这个GSE里到底有几个样本、对应什么分组。这一步很多人跳过，结果下载完才发现样本数量对不上，或者拿到的是没有细胞过滤的原始矩阵，后面分析全是坑。

1.2 怎么快速判断一个数据集是不是单细胞数据

GEO上不全是单细胞数据，也有大量bulk转录组、甲基化芯片、miRNA芯片。判断一个数据集是不是单细胞，有三个快速办法。

第一，看标题和摘要里有没有“single-cell”“scRNA-seq”“single cell RNA”这些词。这最直接，基本不会错。第二，看Platform信息，如果写的是“10x Genomics”“Chromium Next GEM”“BD Rhapsody”，基本可以确定是单细胞平台。第三，看文件后缀，单细胞数据最常见的交付文件是barcodes.tsv.gz、features.tsv.gz、matrix.mtx.gz，或者合并成一个filtered_feature_bc_matrix.h5，这些都是10x Genomics Cell Ranger的标准输出，看到这个基本就稳了。

三种方法配合使用，比单独看任何一项都可靠。比如有的数据集标题里没写“single cell”，但摘要说“we performed scRNA-seq”，这时候要看后缀和平台来确认。

1.3 原始矩阵与处理后的数据，选哪个更省事

单细胞数据在GEO上的交付形态大致分三种：原始FASTQ、Cell Ranger处理后的矩阵、作者二次处理后的矩阵（比如Seurat对象、scanpy h5ad）。

对于大多数只想做下游分析的人，我强烈建议先找“处理后的矩阵”，不要一上来就奔着FASTQ去。FASTQ是原始测序文件，单个样本就是几十GB，你还得自己跑比对和定量，电脑配置不够根本跑不动。如果你只是想复现文章里的分析，或者用自己的方法重新聚类注释，直接下载barcodes.tsv.gz、features.tsv.gz、matrix.mtx.gz这套10x标准矩阵就够了，它已经是表达定量后的结果。

有些作者会额外上传“normalized data”或“harmony后的降维结果”，这类文件方便你快速复现，但不适合作为独立分析的起点。因为它们已经经过处理，可能丢失了原始count信息，后面再做差异分析、富集分析时会受限。记住：能拿原始count matrix，就优先拿原始count matrix。

2. 动手前先把工具和环境准备好

下载GEO数据这件事本身不复杂，但你如果只用浏览器，很容易在下载几个GB的tar包时断掉。所以我建议正式开下之前，先花十分钟把工具准备到位。

2.1 你真正需要的工具清单

我常用的工具很少，但每个都能派上用场。

• 浏览器：用来查看数据集页面、确认文件列表，以及下载几十MB的小文件。
• wget或curl：用来下载大文件，支持断点续传，这是重点中的重点。
• 终端或命令行工具：Windows用户可以用PowerShell，macOS和Linux用户直接用终端。
• tar、gzip等解压工具：用来解开.tar和.gz文件。
• R或Python：R里装Seurat，Python里装scanpy，用来最后验证数据能不能正常读取。

如果你是纯Windows用户，没装过wget，可以用PowerShell里的curl.exe（Windows 10以后自带），或者装一个Git Bash，里面会带wget和curl。我个人更推荐WSL或Git Bash，命令行操作比PowerShell更顺手，而且很多生信教程都是基于Linux命令写的。

2.2 命令行下载的底层逻辑：为什么浏览器容易断

GEO的下载链接本质上就是一个普通的静态文件URL。浏览器下载大文件时，一旦网络中断、电脑休眠、或者浏览器标签页被误关，下载就直接失败，而且很多浏览器不支持断点续传，失败后只能从头再来。单细胞数据动不动就是几百MB到几个GB，从头再来非常折磨人。

命令行工具的思路完全不同。wget和curl支持断点续传，下载中断后重新执行命令，会自动从断点位置继续，而不是重新下。这项能力在连接不稳定的时候几乎是救命稻草。所以我的原则很简单：小于50MB的文件用浏览器，大于50MB的一律用命令行。

注意：下载GEO数据并不需要登录，也不需要用任何额外工具。直接把文件链接丢给wget或curl就行。

2.3 下载策略：小文件直接下，大文件用命令行续传

我一般把下载分成两类：

• 单文件小于100MB：浏览器直接点，或者用wget一条命令搞定。
• 单文件大于100MB，或者是一个包含多个样本的tar包：必须用wget加-c参数。

另外，我习惯把下载链接和文件大小记录下来，建一个download_log.txt放在项目目录里。这样一旦下载中断，或者过了很久忘了文件来源，还能翻记录找回链接。别小看这个习惯，等我后面讲问题排查时你就知道它有多重要了。

3. 单细胞数据下载的5个关键步骤

下面这套流程就是我每次下载GEO单细胞数据的标准动作。标题里说的5个步骤，对应的就是这一整节的内容，每一步我都会告诉你具体怎么操作，以及我会在哪里截图确认。

3.1 第一步：锁定目标数据集，把元信息记录完整

假设你已经通过文献或者关键词找到了一个目标GSE编号，比如GSExxxxxx（这里用GSExxxxxx做演示，实操时替换成你的真实编号）。打开NCBI GEO页面后，不要急着下文件，先把这几个信息记录到表格里：

• GSE编号
• 物种和人种背景（human还是mouse）
• 组织或细胞类型
• 样本数量
• 分组信息（对照组、处理组等）
• 数据提交日期
• Supplementary file列表及各自大小

这一步看起来繁琐，但价值在于：它能帮你确认这个数据集到底是不是你需要的，还能在下载完以后作为元数据补充到分析里。

页面上你会看到文件名列表，每个文件前面有一个下载箭头。不用担心漏掉，直接往下看Supplementary file那一栏，通常有一个“(http)”链接，点开可以看到完整文件列表。截图页面时，我会重点截这个区域，因为它直接决定后面下什么。

3.2 第二步：对照Supplementary file清单，认准文件类型

到了这一步，你已经能看到所有可下载的文件。单细胞数据最常见的几种交付文件是：

这里的核心判断逻辑是：优先下“单独的10x标准输出”，其次下tar包，最后才考虑作者提供的Seurat对象。因为10x标准格式最通用，Seurat、scanpy都能直接读，而且保留的信息最全。

如果你看到的是*_RAW.tar，说明作者把所有样本的原始矩阵打包在一起了。你需要下载这个tar文件，然后解压，里面通常会按样本分文件夹，每个文件夹里再放一套barcodes.tsv.gz、features.tsv.gz、matrix.mtx.gz。这种情况下，我建议直接下tar包，别一个一个样本下，太容易漏。

3.3 第三步：用命令行批量下载，注意续传和校验

文件类型确认好之后，正式下载。这里我以Linux/macOS终端为例，Windows用户换成Git Bash或WSL同样适用。

先在本地建一个项目目录：

mkdir scRNA_download cd scRNA_download

然后复制Supplementary file里的完整下载链接，用wget下载：

wget -c --tries=5 --timeout=60 "https://www.ncbi.nlm.nih.gov/geo/download/?acc=GSExxxxxx&format=file&file=GSExxxxxx_RAW.tar"

几个参数的含义：

• -c：断点续传。这是最重要的参数，中断后重跑同一条命令就能恢复。
• --tries=5：失败后自动重试5次。
• --timeout=60：超过60秒没有响应就重新尝试。

如果你是下载单独的h5文件，链接通常也是这种带download的URL，直接替换file=后面的文件名就行。

下载完成后，先核对一下文件大小和页面上显示的大小是否一致。如果差很多，说明下载不完整，宁可删掉重新下，也不要急着解压。页面上通常有“Supplemental file”的大小标注，比如(36.5 Mb)，我每次都拿这个数据对比。

3.4 第四步：解压和格式转换，整理成标准分析结构

下载完成后不要急着分析，先解压并整理好目录结构。tar包用下面命令解压：

tar -xzf GSExxxxxx_RAW.tar

解压后，我习惯先跑一下ls -lh看清楚里面有什么，避免对着错误文件操作。

ls -lh

如果你的数据是*_RAW.tar且里面包含多个样本，解压后你会看到多个子文件夹。每个子文件夹里可能是一套标准的10x文件，也可能是单独的matrix.mtx.gz。如果文件夹里缺少features.tsv.gz，只看到一个genes.tsv.gz，也不用慌，这是10x早期版本（v2）的命名，genes.tsv等价于features.tsv，只是字段少一些。

如果拿到的是单独的filtered_feature_bc_matrix.h5，就不需要解压了，直接交给下一个分析工具读取就行。但要注意：h5文件也可能损坏，所以读取前最好先用file命令检查文件类型：

file filtered_feature_bc_matrix.h5

如果输出显示“Hierarchical Data Format (version 5) data”，说明文件完整，可以进入下一步验证。

3.5 第五步：读取数据快速验证，确认没下错

这是我最建议新手加上的一步。很多人下载完直接开跑，结果跑到一半才发现数据格式不对，回头又是一轮排查。其实验证很简单，用Seurat或scanpy读一下矩阵，几秒钟就知道数据对不对。

R里用Seurat读10x标准目录：

library(Seurat) counts <- Read10X(data.dir = "样本文件夹名/filtered_feature_bc_matrix/") dim(counts) head(rownames(counts)) head(colnames(counts))

Python里用scanpy读h5文件：

import scanpy as sc adata = sc.read_10x_h5("GSExxxxxx_filtered_feature_bc_matrix.h5") print(adata.shape) print(adata.X[:5, :5])

验证的时候就盯三个点：

• 矩阵的维度是否和页面上的细胞数、基因数大致吻合。
• 行名是否是基因名（如CD3D、GAPDH），列名是否是形如AAACCTGAGCATGTCC-1的细胞条形码。
• 表达值是否为整数（counts），而不是小数的归一化值。

如果这三点都正常，说明数据下载正确，可以放心进入后续分析。我通常会在这个阶段截一张R或Python的读取结果图，作为“数据是否完整”的判断依据。

4. 下载过程中的常见问题与排查技巧

下载看起来是体力活，但过程中踩过的坑五花八门。我把这些年见过和遇到过的问题整理成了几个典型场景，你碰到的时候可以按图索骥。

4.1 文件下载到一半断掉是最常见的事故

断掉的主要症状是解压时报错，比如“unexpected end of file”。这个报错基本等于告诉你：文件没下全。

排查手段并不复杂。第一步，对比本地文件大小和服务器的文件大小，差一个字节都不行。第二部，用wget重新执行原命令，因为加了-c，它会自动续传到完整为止。第三步，续传完后再次执行file命令检查类型，能正常识别就说明没问题。

我自己还吃过一个亏：下载多个文件时，写了循环脚本但没加-c，有一个文件失败后脚本没有自动重试，导致后续解压一连串报错。后来我把每一条下载命令都固定成带-c --tries=5的模板，再也没出过这种事。

4.2 h5文件打不开，不一定是文件损坏

h5文件读取报错时，新手很容易立刻判断为“文件坏了”。但实际上还有两种常见原因：环境缺依赖，或者文件被截断。

如果是Python环境缺少h5py，scanpy会在读取h5时直接报错。解决办法是先安装依赖：

pip install h5py

如果报错信息里提到“Unable to synchronously open file”或“truncated file”，那才是文件损坏，需要用file命令和大小对比进一步确认。

另一种更隐蔽的情况是：文件名虽然是.h5，但实际文件可能是CSV或tar打包内容，只是后缀被改成了.h5。遇到这种情况，直接用file命令看真实格式，会比盯着报错猜半天更有效。

4.3 拿到的是counts还是normalized数据？怎么分辨

这是分析前最容易忽略的问题。单细胞数据里有三种常见值：raw counts、normalized counts、scale data。GEO上作者上传的矩阵多数是raw counts，但也有人上传的是normalized值。

分辨方法很简单：看矩阵里的值是不是整数。raw counts一定是非负整数（比如0、1、5、23），normalized数据会出现小数（比如1.234、2.567）。在scanpy或Seurat里随便取一个earliest的矩阵块看一眼就能分辨。

如果拿到的是normalized数据，而你后续想自己跑标准化流程，那就要小心了。我通常建议直接在GEO页面上找是否有raw counts版本的文件，宁可多下几份备用，也不要拿归一化数据硬着头皮跑差异分析。

4.4 一份新手避坑速查表

我把自己踩过坑频率最高的几个问题整理成了一张表，贴在工位旁边，每次下载都会对照一遍。

这张表不是万能的，但它覆盖了我承接单细胞数据下载时90%的求助情况。你遇到问题的时候，先照表排查，大概率能省下一个下午。

5. 从下载到分析的衔接与我的实操心得

数据下载只是第一步，但这一步决定了后续所有分析能否顺利。我想再补充几个我实际操作中总结下来的经验，帮你少走弯路。

5.1 下载完不等于能直接跑，先做这三件事

第一件事，整理目录结构。我习惯在每个项目下建一个data目录，里面按样本分子文件夹，例如：

data/ sample1/ filtered_feature_bc_matrix/ sample2/ filtered_feature_bc_matrix/

第二件事，写好样本分组信息表。把每个样本的GSM编号、分组、批次、组织类型整理成CSV。这一步延迟做，后面做合并、去批次、差异分析时你会感谢自己。

第三件事，记录下载日志。把下载链接、文件大小、下载时间、校验结果写进一个文本文件。这个动作看起来多余，但等到数据需要溯源，或者文件出问题需要重新下载时，它能帮你精确找到所有来源。

5.2 我踩过的两个坑，贴出来供你参考

第一个坑是早期我下载某个h5文件后，直接开始聚类，结果发现基因数少得离谱。后来排查才发现，我下载的是raw_feature_bc_matrix.h5，也就是包含所有barcode的版本，里面混着大量空液滴和背景RNA，会导致数据质量极差。正确的选择是filtered_feature_bc_matrix.h5，这是Cell Ranger过滤掉空液滴后的细胞矩阵。从那以后，我每次都会先看文件名里的filtered还是raw再动手。

第二个坑是解压后没有立刻检查文件编码。某个数据集里的features.tsv.gz基因名带有奇怪的非法字符，读进Seurat后一大堆基因无法识别。后来我慢慢养成习惯，下载完先解压，再用zcat features.tsv.gz | head看一眼基因名是否正常，确认格式没问题再进入下游流程。

最后再分享一个小技巧：如果下载的是多个样本的*_RAW.tar，解压后所有样本的文件都被塞在一个文件夹里，排序会很乱。我一般先写一段简单bash脚本，按样本前缀把文件归拢到各自子目录，再继续下一步。这个习惯能帮你省掉后续大量“文件找不到”的麻烦。单细胞下载这个环节，做得越细心，后面分析越省心。