第2章 差异表达分析概述与实验设计归纳总结
差异表达分析，说白了就是找出在不同条件下真正发生变化的蛋白质。我刚开始接触蛋白质组学时，以为只要跑完质谱、拿到定量值，直接做个t检验就完事了。结果呢？假阳性率高得吓人，重复性也差。后来才明白——实验设计这一步没走对，后面再好的统计方法也救不回来。
这一章，我们就聊聊差异表达分析的基本框架，以及实验设计里的那些关键坑。你想想看，数据挖掘就像盖房子，实验设计就是地基。地基歪了，房子再漂亮也没用。
2.1 什么是差异表达分析
差异表达分析的目标很简单：从上千个蛋白质里，揪出那些在两组或多组样本间丰度显著变化的蛋白。这里有个核心问题——「显著」怎么定义？不能光看倍数变化，还得考虑统计上的可靠性。
整体流程大致是：
- 数据预处理：缺失值填充、归一化、对数变换
- 统计检验：t检验、ANOVA、秩和检验等
- 多重假设校正：控制假发现率（FDR）
- 阈值筛选：一般以|log2FC| > 1 且 校正后p值 < 0.05 为准
但别急着套公式。我在一个项目中遇到过，两组样本的批次效应非常明显，归一化后差异蛋白一大堆，最后发现全是批次假象。嗯，这里要注意：实验设计要提前规划好批次混匀。
2.2 实验设计的基本原则
好的实验设计，三个关键词：重复、随机化、对照。
| 原则 | 解释 | 我的踩坑经验 |
|---|---|---|
| 生物学重复 | 至少3个独立样本，不是技术重复 | 有人用同一样本分三份跑质谱，这算技术重复，统计上等于没重复 |
| 随机化 | 样本处理顺序、上机批次随机分配 | 我曾经把所有对照组放在第一批处理，处理组放第二批，结果批次效应和组效应完全混杂 |
| 对照设置 | 匹配的对照（如野生型 vs 敲除，给药前 vs 给药后） | 对照缺失或不对应，差异分析意义全无 |
还有一个容易被忽略的点：批次效应。蛋白质组学的质谱实验，不同批次间的定量偏差远大于生物学变异。如果你不能把各组的样本均匀分布到每个批次，那差异分析就变成了批次比较。
2.3 常见实验设计类型
不同研究问题，实验设计也不同。下面三种是最常见的：
2.3.1 成对比较（两组）
最常见：比如疾病 vs 健康、处理 vs 对照。统计方法首选Welsh t检验（不假设方差齐性）。样本量够大时也可以用limma或DEP包中的经验贝叶斯方法，精度更高。
2.3.2 多组比较（三组及以上）
比如WT、KO、OE三个基因型。直接用两两t检验会膨胀假阳性，正确做法是先用ANOVA（或Kruskal-Wallis）做整体检验，再通过Tukey HSD或Dunnett检验做两两比较。
2.3.3 时间序列或剂量梯度
比如0h、6h、12h、24h四个时间点。传统做法是每个时间点与0h比较，但会丢失趋势信息。更好的方案用线性混合模型或Mfuzz聚类，把有相同变化模式的蛋白归为一类。
下面这个表格帮你快速对号入座：
| 设计类型 | 适用场景 | 推荐统计方法 | 注意事项 |
|---|---|---|---|
| 两组比较 | 疾病/处理 vs 对照 | t检验、limma、DEP | 确认方差齐性，小心离群值 |
| 多组比较 | 多基因型、多条件 | ANOVA + 事后检验 | 整体检验后做多重比较 |
| 时间序列 | 动态变化研究 | 线性混合模型、Mfuzz | 缺失时间点要小心插补 |
2.4 统计方法选择要点
选方法不是越复杂越好。我给你一个简单的决策逻辑：
- 检查数据分布：对数变换后看直方图，是否近似正态？如果偏态严重，用非参数（Wilcoxon秩和检验）。
- 样本量：每组小于5个时，参数检验效力下降，建议用permutation检验或贝叶斯方法。
- 多重检验校正：蛋白质组动辄几千个蛋白，不校正等于自杀。优先用Benjamini-Hochberg控制FDR，Bonferroni过于保守。
举个例子，在R里用DEP包做差异分析时，我会这样写：
library(DEP)
# 假设表达式矩阵为se，实验设计已存在
results <- test_diff(se, type = "manual",
contrasts = c("treated_vs_control = treated - control"))
dep_results <- add_rejections(results, alpha = 0.05, lfc = 1)这里的关键参数是alpha（校正后p值阈值）和lfc（log2倍数变化阈值）。我一般先设宽松一点（比如0.1和0.5），跑完富集分析再收紧。
2.5 避坑指南
这些年我见过太多翻车的案例，总结成三条：
- 假重复：用同一个样本分三次进样。技术上重复性再好，也不能代表生物学变异。必须用独立的生物样本。
- 混杂因素：比如药物处理组和对照组分别在不同月份采集、不同人操作。差异分析结果只是操作差异。
- 只看p值不看效应量：有时候p值很小但倍数变化只有1.1倍，生物学意义有限。我个人习惯同时看效应量和p值。
我曾经……帮一个合作者复现数据，发现他们用同一个细胞系不同传代次数当重复，结果差异蛋白都跟传代相关，跟处理无关。白白浪费了三个月时间。所以实验设计阶段一定要把重复的来源写清楚。
最后，把本章的核心逻辑理在一张图里。你可以跟着这个流程检查自己的实验设计是否过关。
先花半小时把你自己的实验设计套进这个流程图里，哪个环节缺了补上。相信我，后面筛选差异蛋白时会省下大量返工时间。