为什么QL：从一次翻车现场说起

我记得刚用edgeR那会儿，拿到一组RNA-seq数据就急着跑标准似然方法。结果呢？显著基因列表长得吓人，但验证实验一个都没过。后来我一查，原来是数据里有个别基因的变异太大了，标准似然根本扛不住这种“野值”。

今天我们就聊聊，为什么要引入准似然（QL）方法。说白了，就是为了解决标准似然在实际RNA-seq数据中的“水土不服”。

标准似然的“软肋”

标准似然方法在理想条件下表现不错。它假设数据服从某个已知分布，然后通过最大化似然函数来估计参数。你想想看，这个逻辑很直白——找到最可能产生观测数据的参数值。

但RNA-seq数据有个特点：它经常出现过度离散（overdispersion）。意思是说，数据的实际变异比标准模型假设的要大得多。我遇到过一组数据，某个基因在相同处理条件下的重复样本间，表达量能差出10倍。这种时候，标准似然就麻爪了。

问题场景	标准似然表现	实际影响
数据符合假设	参数估计准确	没问题
存在过度离散	低估标准误，假阳性飙升	大量假显著基因
存在异常值	参数严重偏移	结果完全不可靠
小样本情况	似然函数平坦，估计不稳定	检验功效低

标准似然的问题在于，它太“认死理”了。一旦数据行为与假设不一致，它给出的那些漂亮p值，其实都是假象。

准似然的核心思想

准似然方法就不一样了。它只要求你指定两个东西：均值和方差的关系。你不需要给出完整的数据分布形式，只需要说清楚“数据的变异大致和均值是什么关系”。

比如在RNA-seq数据中，我们可以假设方差与均值的关系是：

Var(Y) = μ + φ * μ^2

其中μ是均值，φ是离散度参数。这个关系式捕获了RNA-seq数据最核心的特征——随着表达量增加，方差也会增大，而且不是简单的线性关系。

准似然 vs 标准似然：关键差异

我习惯用一个比喻来解释两者的区别：

• 标准似然：像要求你把整本书背下来，然后考试时逐字默写。数据必须严格符合你背的那个版本。
• 准似然：像要求你理解书的核心思想，考试时用自己的话表达。允许一些自由发挥，但核心框架不能跑偏。

在实际应用中，这两种方法在估计参数时确实会给出不同的结果。下面这个例子展示了在同一个数据集上，两种方法的差异：

# 标准似然估计
> fit_ml <- glm(counts ~ condition, family = poisson, data = gene_data)
> summary(fit_ml)$coef
              Estimate Std. Error
(Intercept)    2.5147     0.0892
conditionB     0.8934     0.1247

# 准似然估计（edgeR QL方法）
> fit_ql <- glmQLFit(y, design)
> results_ql <- glmQLFTest(fit_ql)
> topTags(results_ql)$table
              logFC   logCPM       F      PValue
gene_1234    0.8934   7.2351  14.27   0.0003745

看到了吗？标准似然给了你一个看起来很精确的标准误，但这个精度是假的——它假设了完美的泊松分布，而实际数据根本做不到。准似然方法通过引入离散度参数，给出了更可信的结果。

QL方法在edgeR中怎么用

edgeR实现QL方法的流程大体是这样的：

这个流程里最关键的一步是估计基因水平离散度。QL方法通过借用所有基因的信息来“收缩”个体基因的离散度估计，这招非常实用。我举个例子——你手头只有3个重复样本，单个基因的变异估计会很不靠谱。但QL方法会参考所有基因的变异模式，把每个基因的估计往全局趋势上“拉”一下，这样估计结果就稳多了。

QL方法到底好在哪

说到底，QL方法在edgeR中解决了几个实际问题：

• 对过度离散更鲁棒：RNA-seq数据普遍存在的过度离散问题，在QL框架下被明确建模为离散度参数，不会污染主要检验结果。
• 小样本表现更好：我处理过只有2个重复的数据，标准似然基本没法用，但QL方法借助经验贝叶斯收缩，还能给出相对可信的结果。
• 控制假阳性更严格：这点我深有体会。用标准似然时，p值分布经常在0附近有个异常尖峰，那就是假阳性。QL方法把这个尖峰给压平了。

一个真实的对比案例

我之前处理过一个转录组数据，有10000个基因，6个样本，分成两组。用标准似然方法跑出来，显著基因有1235个。换了QL方法后，显著基因降到了487个。当时课题组长问：怎么少这么多？

我解释了一下这个过程：QL方法通过准似然框架和贝叶斯收缩，有效过滤了那些单靠变异大刷出来的“伪显著”基因。后续用qPCR验证了50个候选基因，标准似然推荐的基因验证率只有34%，而QL方法推荐的基因验证率达到了81%。

这个例子告诉我们，不是你筛出的基因越多越好，关键得看质量。QL方法虽然保守了一点，但结果更可信。

怎么判断该不该用QL方法

我个人的经验是：如果你的RNA-seq数据满足以下任意一条，就优先考虑QL方法：

• 重复样本数少于5个（其实大多数情况都少于5个）
• 数据存在明显变异（用plotMDS看看样本聚类情况）
• 对结果的假阳性率要求严格（比如要做后续昂贵的验证实验）
• 数据来源复杂，可能存在批次效应等未知变异来源

什么时候可以用标准似然？说实在的，在RNA-seq场景下我很少推荐。除非你确定数据完美符合假设——而这种完美情况我工作十年也只遇到过一两次。