第1章 RNA-seq差异表达分析概述与DESeq2简介
RNA-seq差异表达分析，说白了就是回答一个问题：在两种条件下（比如用药组 vs 对照组），哪些基因的表达量发生了统计学上显著的改变？
我个人觉得，这可以说是转录组分析里最核心、也最有趣的一个环节。你拿到了漂亮的测序数据，绘制了主成分分析图，完成了样品间相关性热图——但最终，生物学家要的答案往往就藏在那份差异表达基因列表里。
核心观点：DESeq2不是为了“随便跑个默认参数”而存在的。它的参数调优，直接关系到你能从数据里“捞出”多少真正有差异的基因，以及这些差异的可靠性。
1.1 差异表达分析，我们在做什么？
差异表达分析的基本流程，嗯，我可以简单梳理一下，让你对整个链条有个清晰的印象：
- 实验设计：设置对照组、处理组，确定生物学重复数。我在项目中遇到过一些同行，只做2个生物学重复就跑差异分析，结果假阳性高得吓人。
- 测序与定量：获取RNA-seq读序，比对到参考基因组或转录组，最终得到一个基因×样本的计数矩阵。
- 归一化：不同样本的测序深度、文库复杂度不同，必须进行标准化才能比较。
- 统计建模与假设检验：这是DESeq2的主战场——用负二项分布模型拟合计数数据，估计离散度，然后计算每个基因的统计显著性和变化倍率。
- 多重假设检验矫正：一次检验成千上万个基因，必须控制假发现率（FDR），不然你会拎出一堆假阳性。
- 结果解读与功能注释：拿到差异基因列表，做富集分析、通路分析，回答生物学问题。
在这个流程里，DESeq2负责归一化、统计建模和多重矫正这三步。它的参数设定直接影响你能检出多少差异基因，以及这些基因的稳定性。
1.2 DESeq2的设计哲学：稳健估计与多重矫正
DESeq2的核心是两个字：稳健。它不会老老实实给你每个基因一个原始的p值就完事，而是用了很多“聪明”的办法来防止过拟合和假阳性。
具体来说，DESeq2的核心方法包括：
- 负二项分布（NB）模型：RNA-seq计数数据，说白了就是离散的整数，而且方差往往大于均值。你想想看，用普通线性模型肯定不行。负二项分布正好能同时描述均值和离散度。
- Shrinkage估计（缩减估计）：这是DESeq2的一大特色。对于低表达基因、低样本数的基因，它会将离散度“拉向”所有基因的均值，避免因少数基因过度分散导致假阳性。我刚开始用DESeq2时，总觉得这个“收缩”会把真差异给“缩掉”，后来才明白，恰恰是这一步让低表达的差异基因能从背景噪声里被揪出来。
- 多重假设检验矫正（BH方法）：Benjamini-Hochberg程序控制FDR。DESeq2默认允许用户调整p值调整方法，但BH是最常用的。
- 独立过滤（Independent Filtering）：自动剔除那些表达太低的基因，因为它们根本不可能有统计显著性。这个功能默认开启，能提高多次比较时的统计效力。
一个小技巧：DESeq2的独立过滤机制默认会尝试多个均值阈值，选择一个能让最终显著基因数最多的阈值。如果你想手动控制这个行为，可以在results()函数里通过independentFiltering参数把它关掉或调整alpha参数。
1.3 为什么要关注参数调优？
很多人跑DESeq2，都是直接拿默认参数，出结果后看看p值，画个火山图就完事了。但我在生产环境中处理过大量RNA-seq项目，发现默认参数并不是万能的。不同的实验设计、不同的测序深度、不同组织来源的样本，对参数敏感度差别很大。
举个例子。有一次我处理一个酵母的敲除突变体数据，测序深度很深（每样本3000万+片段），但生物学重复只有3个。默认参数跑出来的差异基因只有十几个，但用肉眼看看那些基因表达量变化，明显还有很多基因是被“漏检”了。后来我调整了betaPrior和cooksCutoff参数，差异基因一下翻了好几倍——当然，我还用RT-qPCR验证了一部分，确实是真阳性。
你想想看，如果我不懂参数调优，那篇文章的结论可能就是“该突变体只影响了十几个基因”，而真相却是“该突变体导致上百个基因表达紊乱”。这差距，可不是一点半点。
注意：参数调优不是让你随意篡改数据以得到“好看”的结果。它的目的是让统计模型更好地拟合你数据的实际特征，提升差异检出的灵敏度，同时仍然控制好假阳性率。滥用参数（比如把p值阈值设得很高、把过滤条件放很松）是不负责任的。
1.4 DESeq2调优的核心参数一览
在正式开始后面的章节之前，我先把DESeq2里最关键的几个调优参数列出来，让你心里有个数。后续每一章都会深入讲解一个或一组参数。
| 参数/函数 | 作用 | 默认值 |
|---|---|---|
fitType |
离散度-均值关系的拟合方法（parametric / local / mean） | parametric |
betaPrior |
是否对log2 fold change使用先验分布（收缩） | TRUE |
cooksCutoff |
Cook‘s距离异常值过滤阈值 | TRUE（自动判断） |
independentFiltering |
是否启用独立过滤 | TRUE |
alpha |
独立过滤时使用的显著水平阈值 | 0.1 |
minReplicatesForReplace |
当样本数较少时，是否用残差替代异常值 | 7 |
maxit / useQR |
模型拟合控制参数 | 100 / TRUE |
在上表中，你会注意到betaPrior、cooksCutoff、independentFiltering这三个参数，是我最常建议用户动手调整的。它们分别控制着：
- 是否对倍数变化进行收缩（影响极低表达基因的判断）；
- 是否、以及如何排除异常值（影响离群样本对结果的影响）；
- 是否在检验前就筛掉一批低表达基因（影响最终显著性基因总数）。
后文我们会一一拆解它们的底层逻辑、调整策略、以及在实际项目中如何验证调优效果。
上面这张图展示了我个人习惯的DESeq2分析流程与调优关键节点。你可以看到，从原始计数到候选基因，中间经历了三次重要的“过滤”和“矫正”环节，每一次都对应着一个可调参数。
1.5 实践中，你需要关注什么？
好啦，这一章我们先把“为什么”说清楚。干货浓缩一下，有以下几点心得需要你先消化：
- DESeq2不是黑盒：它的每一步都有数学原理支撑，调试这些参数的底层逻辑并不难，只要你理解了负二项分布和缩减估计的基本思想。
- 默认参数是“普适”的，但不是“最优”的：对于大型RNA-seq项目（每样本3000万+片段、6个以上生物学重复），默认参数效果很好。但对于小样本量（3 vs 3）、低表达丰度的基因，或者非模式生物的数据，默认参数往往会漏检一大批差异基因。
- 调优的目标是“多捞鱼，少捞虾”：我从不追求把p值阈值放低来增加显著基因的数量。真正的调优，在于让统计模型更准确地刻画你的数据特征，从而让真正的差异信号从背景噪声里自然地显现出来。