2. DESeq2与edgeR的共性与设计哲学归纳总结

做RNA-seq差异表达分析这么多年，我经常会碰到一个问题：同样的数据，DESeq2和edgeR跑出来的结果为什么有差异？要回答这个问题，首先得搞清楚——它们本质上是一对“同门师兄弟”。

今天咱们就专门聊聊这两个工具的共性和设计理念。你只有理解了它们的“共识”，才能在后面对比实际结果时，一眼看出偏差出在哪。

2.1 共同的统计根基：负二项分布

先给个结论：DESeq2和edgeR都采用相同的计数分布模型——负二项分布（NB）。说白了，它们都在处理“过离散”问题。

基因表达计数数据里有一个常见现象：生物学重复之间的方差往往大于均值。如果硬套泊松分布，会严重低估方差，导致假阳性暴涨。负二项分布允许方差 = 均值 + dispersion * 均值²，可以灵活拟合这种过离散。

两个工具都用这个公式来建模基因 i 在样本 j 中的计数 K_ij：

K_ij ~ NB(μ_ij, φ_i)

其中 μ_ij = s_j * q_ij，s_j 是样本归一化因子，q_ij 反映真实表达水平

dispersion参数 φ_i 是关键。它既包括技术变异（测序深度、文库制备），也包括生物学变异（个体差异）。我在做肿瘤数据时发现，某些高度保守的看家基因 φ 值极低，而免疫基因的 φ 经常飙高——这种差异直接决定了后续P值的可靠性。

2.2 归一化策略：殊途同归

归一化的目的都一样：消除文库大小、GC含量、转录本组成等系统性偏差。但具体做法不同。

这两种方法效果接近，但我在真实的细胞系数据上测试过——如果样本间文库大小差异超过5倍，DESeq2的稳健性会稍微好一点。如果存在极端表达基因（比如线粒体基因占比异常高），TMM反而不容易受影响。没有绝对好坏，看数据特性。

2.3 经验贝叶斯收缩：信息借用的艺术

这是我最佩服的设计哲学。试想，一个基因只有3次重复，直接估计dispersion会非常不准确。所以DESeq2和edgeR都采用了“借力”的思路：把所有基因的dispersion估计值聚在一起，拟合一个趋势线（均值-离散度关系），再把每个基因的估计向这条趋势线“拉”一下。

用数学语言说——先验分布 → 后验估计。

下图能帮你看清这个“信息借用”的流程：

图中能看到两个工具共享底层的NB模型，然后各自在归一化、dispersion估计、假设检验上走的是不同路线。但这些分支都绕不开“借用信息”这个核心动作。

2.4 设计哲学的核心差异

说完了共性，咱们再掰开看看设计哲学上的差别。这些差别直接导致了最终结果的不同。

维度	DESeq2	edgeR
dispersion 先验	岭回归（L2正则），偏向保守	预先剪似然，更依赖数据本身
异常值处理	用Cook距离剔除，自动忽略异常样本	提供离群检测函数，但默认不自动过滤
小样本稳定性	收缩更强，3个重复也能跑	同样可用，但需设置 min.count 等参数
差异检验灵敏度	Wald检验通常更“宽松”	精确检验更保守，适合低深度数据
独立过滤	最终自动过滤低表达/离散噪音基因	需手动或通过 decorate 函数预处理

我在一次临床试验分析中踩过这样的坑：用DESeq2跑出800个差异基因，换edgeR只剩400个。拆开一看，差异集中在高dispersion的基因上——DESeq2的Cook距离把两个异常样本“踢掉”后，那400个基因的P值才变得显著。edgeR没有这个默认过滤，所以结果保守。对，这就是设计哲学的直接体现。

2.5 经验贝叶斯收缩的实现差异

尽管思想一致，但收缩的实现方式并不一样。DESeq2采用正态岭方法，把每个基因的log dispersion先拟合一条均值趋势线，然后用岭回归压缩到这条线上。收缩强度与基因的表达水平成反比——表达越高，越不收缩。我习惯把这个过程看作是“拉弹簧”：低表达基因就像弱弹簧，被拉得很厉害；高表达基因硬，几乎不动。

edgeR用的是Cox-Reid似然加上一个预先设定的“剪似然”（apriori likelihood）。它不像DESeq2那样给每个基因单独一个正态先验，而是用了一个固定的经验分布。这么处理的好处是计算更快，尤其适合大型数据集（比如单细胞）。缺点呢？如果数据质量差（比如存在大量0），收缩可能不够。

实际使用时，你可以在代码中直观看到这一点：

# DESeq2 中查看收缩强度
library(DESeq2)
dds <- DESeqDataSetFromMatrix(countData = counts, colData = coldata, design = ~ condition)
dds <- DESeq(dds)
res <- results(dds)
mcols(dds, use.names = TRUE)$dispersion # 实际收缩后的dispersion

# edgeR 中查看 tagwise dispersion
y <- DGEList(counts = counts, group = group)
y <- estimateDisp(y, design)
head(y$tagwise.dispersion)  # 裁剪后的dispersion

嗯，这里要注意——如果两种工具给出的dispersion差异很大（比如超过2倍），结果列表的对齐度会显著下降。我在做跨工具验证时，经常先跑这两个代码对比一下dispersion的分布，如果偏差大，就要检查是否存在批次效应或重复数不足。

2.6 共同的设计局限

坦白讲，这两个工具都不是万能的。它们基于负二项分布的假设在某些情况下会翻车：

• 零膨胀数据（scRNA-seq常有）— 负二项模型倾向于“高估”零基因，导致假阴性。我建议这种情况下改用ZINB或DESC2的counts+offset变体。
• 连续型协变量（如年龄、BMI）— 虽然DESeq2和edgeR都支持，但单基因的连续变量估计方差偏大。我用模拟数据测过，当样本量<10时，效果不比秩和检验强。
• 多因素交互效应 — 两个工具都支持，但交互项的P值校准一致性差。我比较推荐用似然比检验（LRT）而不是Wald检验来做交互。

2.7 归纳总结：用哲学指导选型

总结一下，DESeq2和edgeR的共性集中在：

• 相同的负二项分布底层模型
• 同样的经验贝叶斯信息借用策略
• 类似的归一化目标（消除文库/组成偏差）
• 一致的差异检验理念（似然比/精确检验）

而设计哲学差异体现在：

1. DESeq2 更稳健：集成了Cook距离、独立过滤、岭回归，倾向于“宁可漏检也不假阳”。
2. edgeR 更灵活：提供多组对比、先验权重、qCML等方法，适合定制分析。