实验设计：生物学重复设计、批次效应控制、测序深度与覆盖度选择

实验设计这事，说实话，很多新手不重视。觉得拿到样本直接上机测不就完了？
我当年第一个RNA-seq项目就是这么干的——结果数据拿到手，组内差异没几个显著的，一查才发现批次效应把真实信号全吃了。
嗯，从那以后，我每次做项目前，都得花至少两天把实验设计捋清楚。

这一章咱们就聊聊三个最核心的问题：生物学重复怎么安排、批次效应怎么控、测序深度和覆盖度怎么选。
你想想看，这三样要是搞砸了，再牛的差异表达算法也救不回来。

生物学重复设计

很多人分不清技术重复和生物学重复。
技术重复，是指同一管RNA分两份跑，看的是技术误差。
生物学重复，是指不同个体、不同批次取的样本，反映的是生物学变异。

差异表达分析，核心要捕捉的是生物学差异。技术重复能帮你评估信噪比，但不能替代生物学重复。

重复类型	目的	推荐数量	我遇到的坑
技术重复	评估文库构建、测序随机误差	2~3 (没必要再多)	有人用6个技术重复做差异分析，浪费钱
生物学重复	代表群体变异，提高统计检验力	≥3（常规），≥6（想要检出低表达基因）	3个重复去噪后只剩2个，直接废掉分析

避坑指南——我曾经接过一个项目，对方给了6个肿瘤样本和6个正常样本，但肿瘤样本全来自同一只小鼠的不同部位。这叫伪重复，分析结果根本没法发表。记住：每个生物学重复必须来自独立的实验单元。

批次效应控制

批次效应，说白了就是“同一天做的样本长得像，不同日子做的样本老打架”。
实验室温度、试剂批号、操作人员、甚至测序仪的芯片槽，都能产生批次效应。

我个人习惯做实验设计时，先画一个批次-条件分配表，确保每个条件在每批次的样本数尽量均衡。

举个例子：你有3个处理组（A、B、C），每组的样本分两批测。那最好每批里都有A、B、C，而不是第一批全测A，第二批测B和C。

实际项目里，我常用的控制手段就三步：

1. 随机化：样本按处理分组随机分配到不同批次和测序lane。
2. 平衡block：每个批次的样本数尽可能一致，条件组成尽可能相同。
3. 记录元数据：哪一天、哪个人、哪台机器、哪个试剂批次——这些信息一定要记下来，后面做QC和矫正用。

下面这段R语言代码是我项目里生成批次分配方案的模板，你直接改改就能用：

# 假设有3个处理组，每组6个样本，分两个批次
set.seed(42)
samples <- data.frame(
  group = rep(c("Ctrl", "TreatA", "TreatB"), each = 6),
  sample_id = paste0("S", 1:18)
)
# 随机分配批次，保证每组在各批次数量均衡
batches <- rep(c("Batch1", "Batch2"), each = 9)
samples$batch <- sample(batches, 18, replace = FALSE)
# 检查是否平衡
table(samples$group, samples$batch)

测序深度与覆盖度选择

测序深度，指的是每个基因上获得的平均reads数。
覆盖度，说的是基因的哪些区域被read覆盖到、覆盖了多少碱基。

这两者直接决定你能不能检测到低表达的基因，以及能不能准确量化转录本异构体。

分析目的	推荐测序深度	覆盖度要求
基因水平差异表达（常规）	10~30 million reads 每个样本	均匀覆盖基因体即可
低丰度基因或稀有的转录本检测	40~60 million reads	要求更高的read覆盖深度
可变剪接分析 / 新转录本发现	≥50 million reads（建议配对末端）	全转录本覆盖，junction覆盖要足够
单细胞RNA-seq	每个细胞20k~100k reads	基因体3'端覆盖即可

我个人的“最低配置”：做哺乳动物组织的差异表达，每个样本至少 15 million paired-end reads。低于这个数，很多基因检测不到，P值校正后基本没戏。
如果是细菌或酵母这种基因数少的，5 million 可能就够，但我还是会加到10 million 以求稳。

你可能要问：测得越深越好吗？
不是。深度过了某个阈值，新增加的reads只是给高表达基因增加冗余，低丰度基因的检出率提升非常有限。
我见过有人每个样本跑100 million reads，结果钱花了好几万，差异表达基因数和30 million时一模一样。

避坑指南——我曾经用10 million reads去分析人的脑组织样本，想着“反正表达量高”……结果20%的神经递质受体基因完全没检测到。后来才发现，脑组织有大量重复序列和低丰度的调控RNA，10 million远远不够。最后加了3个重复，才勉强够用。

核心逻辑：三者如何联动？

实验设计其实就是一块三角板——重复数、批次控制、测序深度，三者互相制约。你多一个重复，测序成本就上去；你提高深度，批次效应可能更隐蔽。怎么权衡？

下面这张图是我自己的思考框架，分享给你：

图里其实就表达三层意思：

• 上层是三个设计支柱：重复、批次、深度，缺一不可。
• 中层是三角约束：预算固定，你多花在深度上，重复数就得少；多花在重复上，深度就得降。我一般按“重复优先、深度其次、批次硬控”的顺序来取舍。
• 下层是具体落地建议：每块给一个最低标准，别在这之上偷工减料。