3. R 语言环境准备：安装 Bioconductor 包、加载常用质检工具
好，我们正式开始动手。R 装好了？RStudio 也打开了？嗯，这一步其实比你想的重要。我见过太多人，上来就急着跑代码，结果报错大多都是环境没配好。说白了，咱们做组学数据分析，就是在 R 的基础上搭积木——Bioconductor 就是那套最核心的积木箱。
3.1 安装 Bioconductor 核心包
Bioconductor 的安装方式和普通 R 包不太一样。它有自己的仓库和发布周期。我自己的习惯是，不管新项目老项目，先把 BiocManager 装上。这个是总开关。
一句话原则：用 BiocManager::install() 代替 install.packages() 来装 Bioconductor 的包。
打开 RStudio，在控制台里敲下面这行：
if (!requireNamespace("BiocManager", quietly = TRUE))
install.packages("BiocManager")装完 BiocManager 之后，再装其他包就简单了。比如我们做批次质控最常用的几个包：
BiocManager::install("limma")
BiocManager::install("edgeR")
BiocManager::install("sva")
BiocManager::install("bladderbatch")
BiocManager::install("BiocParallel")等一下，为什么要装 BiocParallel？你想想看，后面咱们做批量校正的时候，数据量一大，单核跑起来确实慢。这个包能帮你自动启用多核运算。我有个项目，跑 Combat 校正一万多个基因，开 4 个核，速度直接快了 3 倍。
3.2 安装过程中常见的那几个坑
说实话，R 装包有时候挺让人头疼的。我在培训课上经常被问到：“为什么我复制了你的代码，还是报错？”嗯，这里我帮你列几个最常见的问题。
我曾经帮一个学生排查了一下午，最后发现他网络代理没设对。如果你在公司内网或者学校网络，记得先配一下镜像。
- 网络超时：中国大陆用户建议设置清华镜像
- 依赖缺失：有些包需要系统库（如 zlib、curl-dev）
- R 版本太老：Bioconductor 3.20 以上要求 R 4.4+
- 权限不足：Windows 上尽量用管理员身份打开 RStudio
配镜像的方法也很简单，在 R 里运行：
options("repos" = c(CRAN = "https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))
BiocManager::install(version = "3.20",
site_repository = "https://mirrors.tuna.tsinghua.edu.cn/bioconductor")小技巧：装包的时候如果卡住不动，别急着关窗口。先看控制台有没有输出 "trying URL"，如果有，等一等就好。5分钟没反应再考虑中断重试。
3.3 加载常用质检工具
包装好了，怎么用？每次启动新会话，你需要手动加载这些包。记住，安装是一次性的，加载是每次都要做的。
library(BiocManager)
library(limma)
library(edgeR)
library(sva)
library(bladderbatch)
library(BiocParallel)
# 确认版本
sessionInfo()sessionInfo() 这个函数我非常推荐你养成习惯。它会把当前加载的 R 版本、各包版本、系统信息一股脑都告诉你。我在写文章或者做分析报告时，一定会跑一遍 sessionInfo()，然后贴到文档最后。目的是什么？让别人能完全复现你的环境。
下面这个表，我把常用的包和它的核心功能整理了一下，方便你快速查阅。
| 包名 | 主要功能 | 在批次质控中的角色 |
|---|---|---|
| limma | 线性模型 + 经验贝叶斯 | 差异分析、批次效应检测 |
| edgeR | 负二项模型 | RNA-seq 数据预处理、标准化 |
| sva | 代理变量分析 | 估计未知批次效应、ComBat 校正 |
| bladderbatch | 标准测试数据集 | 本章和后续章节的练习数据 |
| BiocParallel | 并行计算框架 | 加速批量校正和降维 |
你看这个表，其实每个包都有自己的定位。limma 和 edgeR 更多是做分析，sva 和 BiocParallel 是帮我们做校正和提速。bladderbatch 这个包，虽然小，但特别实用——里面有一个膀胱癌表达数据集，自带明确的批次信息，非常适合拿来练手。
3.4 知识结构总览
为了让你对整个环境准备阶段有个全局概念，我画了一张图。你跟着这个流程走一遍，基本不会迷路。
这个图怎么用？从左到右看，先装 R 和 RStudio，再装 BiocManager，然后挑你需要用的包。我标了三个分支：分析、校正加速、练习数据。最后统一用 library() 加载，sessionInfo() 收尾验证。每一步都跑通了，再往下走。
3.5 验证环境是否配置成功
好，到这里我不妨多说一句。很多新手会犯一个错——安装完就直接跳到分析代码，结果怎么都跑不通，一查发现是某个包的版本不兼容。我个人习惯是，每次装完新环境，都跑一次端到端的“冒烟测试”。
你可以把下面这段代码复制到 RStudio 里，如果能顺滑运行完不出错，那环境就算配好了。
library(limma)
library(sva)
library(BiocParallel)
# 看能否启用多核
param <- SnowParam(workers = 2, type = "SOCK")
bplapply(1:2, function(x) x^2, BPPARAM = param)
# 加载测试数据
library(bladderbatch)
data(bladderdata)
pheno <- pData(bladderEset)
table(pheno$batch)
cat("环境配置成功！可以正式开始了。\n")如果你是在 Windows 上跑，SnowParam 可能会提示缺少包。别慌，用 MulticoreParam(workers=2) 走不了 Windows，那就换成 SerialParam()，只是慢一点，不影响功能。
踩完这些坑，环境就算稳了。下一步我们就可以正式拿数据来实操了。记住，你的工具箱现在有了 limma、sva、edgeR，还有一个好用的测试集 bladderbatch。咱们后面会反复用到它们。