实验党想做点数据挖掘，但一看到命令行就劝退。好消息是：常规的公共数据挖掘流程，现在完全可以用网页工具跑通，一行代码都不用写。
| 分析任务 | 能否零代码完成 | 推荐工具 |
|---|---|---|
| 公共数据检索 | 完全可以 | GEO、ArrayExpress、UCSC Xena |
| 差异表达分析 | 可以（需已有表达矩阵） | GEO2R、SangerBox |
| GO / KEGG 富集 | 完全可以 | Metascape、DAVID |
| 蛋白互作网络 | 完全可以 | STRING + Cytoscape |
| 生存分析 | 可以（肿瘤数据） | GEPIA2、Kaplan-Meier Plotter |
| 热图 / 火山图 | 完全可以 | Hiplot、SRplot、ImageGP |
| 原始 fastq 处理 | 困难 | Galaxy（可尝试）或需要命令行 |
| 单细胞完整分析 | 部分可以 | 在线浏览可以，深度分析需 Seurat/Scanpy |
| 多数据集整合与批次校正 | 困难 | 需要 R（sva、Harmony） |
| 自定义统计模型 | 不行 | 必须写代码 |
能，但要看定位。纯生物信息学挖掘（俗称「数据挖掘文」）在部分期刊可以发表，但近年审稿越来越严，单纯的 GEO 挖掘 + 富集分析很难过稿。更稳妥的用法是把生信分析作为文章的第一部分——用公共数据提出假设并筛选靶点，再用自己的实验数据（qPCR、WB、动物模型）验证，这种「干湿结合」的结构接受度高得多，也更符合实验党的优势。
如果目标是能独立做常规转录组分析，系统学习大约需要 1-2 个月（每天 1-2 小时），重点是数据框操作、tidyverse、ggplot2 和 DESeq2/limma 这几个包。值不值得取决于频率：如果一年只分析一两次数据，用网页工具足够；如果生信分析会成为课题的常规部分，学 R 的投入两三个月就能回本。建议路径：先用网页工具跑通流程 → 学 R 基础语法 → 用 R 重跑一遍已经做过的分析 → 逐步扩展。
已发表的公共数据无所谓。未发表数据要谨慎：多数在线平台的隐私条款允许其保留上传数据，涉及专利、临床样本或保密协议的数据不要上传到公共服务器。相对安全的做法是在本地用 R/Python 处理，或选择明确承诺不保留数据的平台，或只上传去标识化的汇总数据（如已经算好的差异基因列表，不含样本信息）。
很常见，主要原因有三：①分组方式不同，GEO2R 需要你手动指定分组，文献可能用了不同的分组或排除了某些样本；②统计方法与阈值不同，GEO2R 默认用 limma 加 Benjamini-Hochberg 校正，文献可能用了别的流程；③数据预处理差异，是否做了 log 转换、归一化方法不同都会影响结果。建议在方法中写清楚自己的每一步设置，并说明与原文献的差异，而不是硬凑成一致。