RNA-seq 概述：技术原理、应用场景与实验设计
各位同学好，咱们这第一节课，先聊聊 RNA-seq 到底是个什么玩意。说白了，它就是利用高通量测序技术，把细胞里所有 RNA 分子的序列信息给读出来。你想想看，以前研究基因表达，最多同时看几十个基因，现在 RNA-seq 一次就能把整个转录组翻个底朝天。我自己刚入行那会儿，还在用芯片做表达谱，后来转到 RNA-seq，那种“想测什么就测什么”的畅快感，简直像换了一台跑车。
不过，测序本身只是第一步。更关键的是，你怎么从一堆 FASTQ 文件里挖掘出生物学意义？这门课就是要带你走过从统计表到生物学解释的全过程。今天这一章，咱们先把 RNA-seq 的底子打扎实：技术原理、常见应用场景，以及实验设计里那些容易踩的坑。
为什么 RNA-seq 能火起来？
RNA-seq 的核心优势就三个：
- 全面性：不依赖于已知序列，可以发现新转录本、新基因、融合基因。
- 定量准确：动态范围比芯片宽（从几个拷贝到几万拷贝都能检测）。
- 分辨率高：单碱基级别，能看等位基因特异性表达、RNA 编辑。
当然，有好处就有代价——数据量巨大，分析流程复杂。我在项目中遇到过很多次，学生拿到测序数据后直接跑差异表达，结果发现一半是假阳性。为什么？因为实验设计本身就有问题。所以，学 RNA-seq 分析，第一步不是敲代码，而是搞懂实验设计。
技术原理：从 RNA 到数字
整个 RNA-seq 流程大致可以分成四个阶段：
- RNA 提取与质量控制——总 RNA 抽出来，用 Bioanalyzer 或 TapeStation 看 RIN 值（RNA 完整性指数）。低于 7 的样本我一般建议重提，否则数据质量堪忧。
- 文库构建——用 oligo-dT 磁珠捕获 mRNA（或 rRNA 去除），打断成 200–500 bp 片段，反转成 cDNA，加上接头。
- 上机测序——Illumina 平台最常见的读长是 PE 150 bp（双端 150 bp）。测多少 reads 取决于你要做什么分析。
- 数据产出与初步质控——下机的 FASTQ 文件，第一件事就是跑 FastQC。
举个最简单的质控命令：
# 跑 FastQC 和 MultiQC，确认碱基质量、接头污染、GC 含量等
fastqc sample_R1.fastq.gz sample_R2.fastq.gz -o fastqc_out/
multiqc fastqc_out/ -o multiqc_out/这里有个小技巧：如果看到 R1 和 R2 的 GC 含量曲线不一致，那多半是文库构建过程中出现 bias，或者样本被污染了。我曾经因为这件事排查了好几天，最后发现是接头 dimer 没去除干净。
常见应用场景：你想解决什么问题？
不同的生物学问题，对应不同的分析策略。我把最常见的几种列出来：
| 应用场景 | 核心问题 | 推荐测序策略 |
|---|---|---|
| 差异表达分析 | 两组样本哪些基因表达量有变化？ | PE 150，每个样本 20–30M reads |
| 可变剪接分析 | 基因不同转录本的比例是否改变？ | PE 150，深度更高（≥50M reads），推荐链特异性建库 |
| 融合基因检测 | 是否存在基因重排导致的融合转录？ | PE 150，双端测序，reads 长度 >100 bp |
| 新转录本发现 | 有哪些未知的转录区域被表达？ | PE 150，深度≥80M reads，最好用 rRNA 去除法 |
| 小 RNA 分析 | miRNA、piRNA 表达谱如何？ | 单端 50 bp，单独建库（小 RNA 专用） |
实验设计：怎么避免“垃圾进，垃圾出”？
实验设计的重要性，怎么强调都不为过。我见过太多因为设计缺陷导致整个项目报废的例子。下面几个要点，请你记在小本本上。
1. 生物学重复
千万别把技术重复当生物学重复！技术重复（同一管 RNA 分两次测）只能评估测序的随机误差，但生物学重复（不同个体/不同批次）才能反映群体差异。一般建议每个处理组至少 3 个生物学重复。如果做 time-course 或协变量较多的实验，增加到 5–6 个会更稳妥。
2. 测序深度与 coverage
深度多少够用？没有标准答案。我通常这样估算：
- 小鼠/人类组织：20–30M 对齐后的 reads（对齐率 >80%），做差异表达基本够用。
- 如果关注低表达基因或 rare transcript：建议 40–60M。
- 如果要做 de novo 组装：80–100M 起步。
但注意，reads 数量不是越高越好。当深度超过某个阈值（比如 100M），大部分新增加的 reads 只是重复覆盖高表达基因，对检测新基因帮助不大，还会增加分析资源消耗。
3. 单端 vs 双端
双端测序（PE）在转录本组装、可变剪接、融合基因检测上明显优于单端。我个人只在做小 RNA 或预算极度有限时才选单端。别为了省钱用 SE，后期分析会让你怀疑人生。
4. 链特异性建库
如果你的目标之一是区分正义链和反义转录，或者做剪接分析，强烈推荐链特异性建库（比如 dUTP 法）。它能告诉你 read 来自哪条链，对反义转录本、转录本方向性、以及一些非编码 RNA 的解析非常关键。非链特异性数据虽然也能做，但会丢失方向信息，导致一些反义量被错误归到正义链。
5. 批次效应
这是个大坑。不同批次提取 RNA、不同操作员、不同试剂盒，甚至不同上机时间，都会引入批次效应。解决思路：在实验设计时就把不同处理组的样本随机分配到各个批次（不要把所有处理组放一个批次，对照组放另一个批次）。分析时，用 RUVseq 或 limma removeBatchEffect 来校正。
下面这张框架图概括了本节课的核心脉络：技术原理、应用场景和实验设计三者如何衔接在一起。