1. 引言：为什么RNA-seq数据分析需要进行多重假设检验校正
说实话，我最早接触RNA-seq数据分析时，也踩过不少坑。当时拿到差异表达基因列表，一看几百个基因p值都小于0.05，还挺兴奋。结果后续验证实验，十个里面验证不出来三个。后来我才意识到——问题出在多重假设检验上。
你可能也遇到过类似情况。一组RNA-seq数据，动辄两万个基因。每个基因都要做一次假设检验。那你想想，两万次检验，即便啥差异没有，按0.05的显著性水平，光随机误差就能产生1000个"显著"结果。这能信吗？
所以，多重假设检验校正，说白了就是给你的p值"挤水分"。把那些因为重复检验冒出来的假阳性，尽可能挤掉。
1.1 问题的起源：RNA-seq数据分析的基本流程
RNA-seq数据分析，大致分这么几步：
- 比对或定量：把测序reads比对到参考基因组，或者直接定量到转录本。
- 表达量估计：得到每个基因的counts矩阵，也就是每个基因在每一样本里的读数。
- 差异表达分析：用DESeq2、edgeR或limma这类工具，比较不同条件下的表达差异。
- 多重假设检验校正：对每个基因的p值进行校正，控制假阳性。
- 结果筛选与注释：根据校正后的p值和log2FoldChange筛选差异基因，再做功能注释。
这里最关键的一步，就是第4步。可现实中，很多人直接跳过它，或者随便选个方法就用了。我见过不少项目，分析报告里列了一堆p值小于0.05的基因，仔细一看，校正后的p值一个都不显著。这就是典型的多重假设检验问题。
核心观点：RNA-seq同时检测两万多个基因，每个基因都是一次独立的假设检验。多重假设检验校正，是控制整体假阳性率的必要手段，不是可选项。
1.2 多重假设检验的核心概念
先理清几个基础概念。
| 概念 | 解释 | 我见过的坑 |
|---|---|---|
| 单次检验的显著性水平 (α) | 单次检验中，犯I类错误的概率。通常设为0.05。 | 很多人直接把α=0.05套用到两万次检验中，完全没意识到问题。 |
| I类错误（假阳性） | 原假设为真时，拒绝原假设。说白了，就是没差异却被判为有差异。 | 我有个项目，用原始p值筛出800个差异基因，验证实验只能重复出30个，剩下770个都是假阳性。 |
| 多重假设检验问题 | 多次检验时，单次α累积导致整体I类错误率飙升。 | 两万次检验，α=0.05，期望假阳性数=20000×0.05=1000个。这就是问题的规模。 |
| 校正后的显著性阈值 | 通过Bonferroni、FDR等方法调整阈值，控制整体错误率。 | Bonferroni虽然严格，但在RNA-seq中过于保守，容易漏掉真实差异基因。我一般更推荐FDR类方法。 |
你可能会问：「为什么不能直接用原始p值？」嗯，咱们可以做个简单计算。
假设你做了两万次独立检验。每次检验，不管有没有差异，都有5%的概率因为随机波动而显著。两万次下来，显著基因的期望数量就是1000。即便实际一个差异基因都没有，你也能拿到1000个"显著"结果。这就是多重假设检验带来的假阳性膨胀问题。
所以我常说，做RNA-seq分析，如果不做多重假设检验校正，那你的差异基因列表里，可能有一大半是"运气好"撞上的。
1.3 为什么不能简单使用原始p值？
这个问题的本质，是概率的累积效应。
- 单次检验：你抛一枚硬币，连续5次正面朝上的概率是(0.5)⁵ = 0.03125，小于0.05，可以认为硬币有问题。
- 多重检验：你同时抛两万枚硬币，每枚连续抛5次。找出那些5次全是正面的硬币。按照0.05的显著性水平，期望能找到0.03125 × 20000 ≈ 625枚"有问题"的硬币。但实际这些硬币都是正常的，只是随机波动。
RNA-seq数据也是这个道理。两万个基因各自独立检验，总会有一些基因因为随机波动而p值很小。如果不做校正，你筛选出来的差异基因，里面混了大量假阳性。
我的个人习惯：拿到差异表达结果后，第一件事不是看p值小于0.05的基因有多少，而是先看校正后的p值（padj或q值）分布。如果padj小于0.05的基因数跟原始p值小于0.05的基因数差了一个数量级，那说明数据质量可能没问题，校正发挥了作用。如果两者几乎没差别，反而要警惕——是不是校正方法选错了，或者数据本身有batch effect？
1.4 多重假设检验校正的必要性
我整理了一下，不校正会带来几个直接后果：
| 不校正的后果 | 具体表现 | 严重程度 |
|---|---|---|
| 假阳性激增 | 差异基因列表里混入大量随机波动的基因 | 高。验证实验通过率极低，浪费时间和经费。 |
| 结果不可重复 | 换一批样本重新做，之前"显著"的基因大部分不显著了 | 高。论文结论站不住脚，审稿人一眼就能看出来。 |
| 生物学解读偏差 | 基于假阳性基因做的GO富集、通路分析全跑偏 | 极高。后续所有分析都建立在错误基础上。 |
| 浪费实验验证资源 | 花大力气验证的基因，大部分是假阳性 | 中高。我见过最夸张的，验证了50个基因只重复出2个。 |
你想想看，一个差异基因列表，如果假阳性率高达80%，那你后续做的功能富集、蛋白互作网络、药物靶点预测，全都失去了意义。这就是为什么多重假设检验校正不是"锦上添花"，而是"雪中送炭"。
我曾经踩过的坑：在一个肿瘤基因组项目中，我用原始p值筛了一批基因，做了大量的下游分析，包括生存曲线和体外实验。折腾了三个月，结果发现大部分结果在独立验证集中无法复现。后来重新跑了FDR校正，只剩不到10%的基因能通过。那次教训让我深刻理解了为什么"p值校正不是可选项，而是必选项"。
1.5 多重假设检验问题的知识框架
下面这张图，概括了本章的核心知识体系。你可以先看一遍，后面每个模块我们都会展开讲。
这张图把多重假设检验问题的脉络梳理清楚了。从RNA-seq两万多个基因的检验起点，到假阳性膨胀的后果，再到校正方案和三类主流方法，每一块我们都会在后面章节中用代码和实际案例来拆解。
1.6 我对课程内容的安排
这个课程一共30章，我把它分成几个模块：
- 基础篇（第1-8章）：讲清楚为什么要校正、校正的核心概念、p值分布的含义、常见的校正方法（Bonferroni、BH、q-value等）的原理和适用场景。
- 实战篇（第9-20章）：用DESeq2、edgeR、limma等工具的实际代码，演示如何正确进行多重假设检验校正。每种工具我都准备了真实的RNA-seq数据集和踩坑案例。
- 进阶篇（第21-26章）：讨论多重假设检验校正中更棘手的问题——比如相关检验、低表达基因过滤对FDR的影响、置换检验与经验性分布、局部假发现率的应用等。
- 总结篇（第27-30章）：给出完整的分析流程模板、可视化方案、结果报告规范，以及审稿人最常问的多重假设检验相关问题。
每个章节我都会结合自己实际项目中遇到的问题来讲解。哪些方法在什么场景下好用，哪些方法看起来很美但实际坑很多——这些经验性的内容，我会毫无保留地分享出来。