RNA-seq 基础：高通量测序原理与实验流程

从 Sanger 到 NGS——测序技术的前世今生

做 RNA-seq 之前，得先搞清楚我们测的是什么。说白了，就是拿一台测序仪把 RNA 反转成 cDNA，然后一段段读出来。我刚开始接触 NGS 时，还在用传统的 Sanger 法，一条反应只能读 800-1000 bp，通量低得可怜。高通量测序（NGS）的核心思想就四个字：边合成边测序。

具体来讲，文库中的 cDNA 片段被固定在 flow cell 上，通过桥式 PCR 扩增形成一个个 cluster。然后加入荧光标记的 dNTP，每次延伸只结合一个碱基，激光激发后相机拍照记录荧光颜色——这个碱基是什么就一目了然了。周而复始，几十到几百个 cycle 下来，一条 read 的长度就出来了。

为什么会引入批次效应？你再想想，实验操作、试剂批号、测序仪器、甚至同一天不同时间上机，这些技术差异都会让表达矩阵里多出一些“假变异”。我踩过最大的坑就是：两个批次的样本放在一起画 PCA，同一组样本居然分开成两团。嗯，后面几章会细讲怎么处理，但根源就在这里——测序流程里的每一个环节都可能埋下批次效应的种子。

RNA-seq 实验流程——从样本到 FASTQ

整个流程我总结成 7 个关键步骤。每个步骤我都吃过亏，尤其是第一步和第四步，后面会提到。

  1. RNA 提取与质控——总 RNA 必须完整，RIN ≥ 7 才合格。我见过 RIN 只有 4 的样本硬着头皮去建库，最后差异基因全被降解噪声淹没。
  2. 去除 rRNA / 富集 mRNA——真核生物用 oligo-dT 磁珠抓 poly(A) 尾巴，原核生物常用 rRNA 去除试剂盒。
  3. RNA 片段化——用高温或金属离子把 RNA 打断成 200-300 nt 的片段。片段长度直接影响插入片段分布。
  4. 反转录合成 cDNA——随机引物 + 逆转录酶。这里容易引入 GC 偏好和反转录不完全，我专门做过一轮对比，同一个样本用不同品牌的酶，最后 FPKM 能差 15%-20%。
  5. 接头连接与 PCR 扩增——加上 P5/P7 接头和 barcode，然后有限循环 PCR 富集。PCR 循环数越多，重复率也越高，文库复杂度下降。
  6. 文库质控与定量——Qubit 定量 + Agilent 2100 生物分析仪检测插入片段大小。做过一次峰形双峰的文库，上机后数据利用率不到 30%。
  7. 上机测序——Illumina Novaseq / HiSeq 平台，边合成边测序，输出碱基序列和质量分数。

测序完了之后，仪器会吐出一个或多个 FASTQ 文件。我放一段典型的记录让你感受一下：

@SIM:1:FCX:1:1101:1234:5678 1:N:0:AGCT
CATTGCTACGTACGATCGTAGCTAGCTAGCTAGC
+
FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF

第一行是 read ID，包含仪器名、flow cell、lane、tile、x/y 坐标等信息；第二行是碱基序列；第三行是一个“+”分隔符；第四行是质量分数（Phred+33 编码，每个字符对应一个 ASCII 码，减去 33 就是 Q score）。

批次效应在流程中的“藏身处”

你可能觉得测序流程固定，批次效应没那么多。我告诉你，真实情况是：每个环节都可以是雷区。我列一个对比表，帮你快速定位哪些步骤最容易引入批次效应。

流程步骤常见技术差异源对批次的敏感度
RNA 提取不同试剂盒、样品降解程度高
rRNA 去除 / mRNA 富集磁珠捕获效率、洗涤次数中
RNA 片段化打断时间、温度中
反转录逆转录酶品牌、引物设计高
接头连接连接酶效率、接头浓度中高
PCR 扩增循环数、聚合酶偏好高
测序芯片 & 仪器不同 lane / flow cell、试剂批次极高

一句话总结：批次效应 = 技术变异 / 生物学变异。你的实验设计如果没能把这些技术差异分配到平衡的批次里，后续矫正会很头疼。我个人习惯是在实验前就做好 block 随机化，至少每个批次都包含所有处理组。

RNA-seq 建库前，务必留取一部分 RNA 备用。我曾经因为一次建库失败，不得不重新提取已降解的样本，那种感觉就像……嗯，用发霉的食材做菜。

知识结构总览

下面的 SVG 图把本节课的核心逻辑串起来。从实验设计到数据产出，批次效应可能在任何一个节点“渗入”。看清这张图，你就知道为什么我们后面要用 PCA 去揪出这些隐形的手。

RNA-seq 实验流程与批次效应风险点 样本准备 RNA 提取 & 质控 文库构建（批次效应高发区） rRNA 去除 RNA 片段化 反转录 接头连接 PCR 扩增 测序 & 输出 上机测序 FASTQ 输出 ⚠ 批次效应“重灾区” 反转录酶选择、PCR 循环数、flow cell 差异 是批次效应的最主要来源，PCA 常能清晰分离 同一批次内应包含所有实验组，避免混淆

从 FASTA/FASTQ 到表达矩阵的思考

有了 FASTQ 之后，后面还会有比对、定量、差异分析，但那都是下游的事了。对于本章来说，你只需要记住：RNA-seq 实验不是一步到位的机器工作，而是每个手动/半手动步骤都有可能引入噪声。 我最早做转录组时，为了赶时间把 3 批样本混在一起建库，结果 PCA 图里三批样本各自抱团，无论怎么归一化都分不开。那次之后，我才真正开始重视实验设计里的 batch 分配。

千万注意：不要等到测序完成之后才意识到批次效应。最好在实验规划阶段就设计好平衡批次（例如每个批次包含所有处理组，随机分配上机顺序），否则后面的统计学矫正只能是亡羊补牢。

好了，这一章先到这里。你需要对 RNA-seq 整个流程有一个视觉上的全局感——哪里容易出问题，哪里是我让你多留意的。带着这张图去理解后面的 PCA 和批次效应识别方法，你会觉得一切都很自然。

← 上一章 📖 返回目录 下一章 →