edgeR概述：背景、应用场景与基本概念

说起RNA-seq差异表达分析，你可能跟我刚开始接触时一样——面对成千上万个基因的表达量矩阵，心里直打鼓：到底哪些基因真的变了？ 这问题看似简单，但数据本身的离散度、文库大小差异、生物学重复的波动……每一个坑都可能让你得到假阳性或假阴性结果。edgeR正是为了解决这个痛点而生的。

我个人习惯把edgeR看作「专为小样本RNA-seq设计的差异分析工具箱」。它最早由Robinson和Smyth在2008年推出，核心思路是用负二项模型处理计数数据的过度离散，再用经验贝叶斯方法稳健地估计基因间的变异。后来的quasi-likelihood（QL）方法更是把可靠性往前推了一大步——我曾在一次项目中用QL方法发现了一个被传统方法漏掉的低表达但生物学意义关键的基因，从那以后就再也没切回原始版本。

为什么需要edgeR？——RNA-seq的数据挑战

你想想看，RNA-seq实验产出的本质是什么？是每个基因的读数（counts）。这些读数受测序深度、基因长度、反转录效率、随机采样波动等影响，并不是简单的正态分布。更麻烦的是，生物学重复之间往往存在天然的异质性——比如两组小鼠肝脏样本，即便处理完全一样，某些基因的表达水平也会因个体差异而上下浮动。

传统t检验或ANOVA直接套用在这些计数数据上，很容易被少数极端值带偏，还忽略了数据本身的离散结构。edgeR祭出的负二项模型，说白了就是给每个基因配一个「离散参数」，专门处理这种均值-方差不独立的情况。

edgeR能做什么？——典型应用场景

1. 两组间差异表达基因筛选（case vs control）——最基础也最常见的场景。
2. 多组广义线性模型比较（比如时间序列、剂量-反应、多个处理组）——edgeR的glmQLFit等函数就是为这个准备的。
3. RNA-seq数据质控与预处理（过滤低表达基因、标准化文库大小）。
4. 探索性分析（MDS图、BCV图）辅助解读样本关系。
5. quasi-likelihood F检验（对稳健性要求极高的场景）——我一般会在预实验样本量只有3重复的时候首选QL方法。

核心概念一览

edgeR的典型工作流

下面这张图概括了从原始计数到差异基因列表的核心流程，你会发现edgeR基本贯穿了中间所有统计环节：

开始你的第一个edgeR分析

先把包装好。我建议在你的R环境里运行这行命令：

if (!requireNamespace("BiocManager", quietly = TRUE))
    install.packages("BiocManager")
BiocManager::install("edgeR")

安装完，加载并看看数据长什么样。我用一个内置数据集举例：

library(edgeR)
data("airway", package = "airway")
expr <- airway@assays@data$counts
head(expr, 4)

输出类似这样的整数矩阵（行是基因，列是样本）：

      SRR1039508 SRR1039509 SRR1039512 SRR1039513 SRR1039516 SRR1039517 SRR1039520 SRR1039521
ENSG000000023490        0          0          0          0          0          0          0
ENSG000000010238        0          0          0        108         89        114         91
ENSG000000017648      131        176        100         99        104         88        168
ENSG000000028420        1          0          0          2          0          1          1

记住：不能有NA，不能有小数，行列名必须准确。如果出现小数位，说明你可能传入了RPKM之类的标准化数据——赶紧回头重新准备原始计数。