1. edgeR 简介：RNA‑seq 差异表达分析到底在干什么

RNA‑seq 差异表达分析，说白了就是回答一个问题：哪些基因在不同实验条件下表达量有显著变化？ 你可能已经有了一套 counts 矩阵（每个基因在每个样本中的 read 计数），但还没法直接拿去算差异——因为技术误差、生物学变异、文库大小不同，全是坑。我刚开始做 RNA‑seq 的时候，拿到数据直接 t 检验，结果检出来的假阳性多到没法看……嗯，后来才知道，差分的底层逻辑远比想象中复杂。

这章我就带你从背景出发，捋清楚 edgeR 到底靠什么思想搞定差异分析，再和 limma、DESeq2 做个横向对比。学完之后，你对 GLM 批次处理的理论基础会更清楚。

1.1 RNA‑seq 数据的“家底”：counts 和它的歪屁股分布

原始数据是一张计数矩阵：

• 行是基因（或转录本）
• 列是样本
• 值是比对到该基因的 read 条数

counts 数据有个显著特点：离散度高。同一个基因在生物学重复之间，方差往往远大于均值。我在项目中遇到好几次，新手用 TMM 归一化后直接套泊松分布，结果 p‑value 小的吓人——其实全是假阳。为什么？因为真实数据的过离散（over‑dispersion）让泊松分布根本兜不住。

我在处理小鼠肝脏样本时验证过：若强行用纯泊松模型，两万多个基因里有三千多个 p < 0.05，但换成负二项模型后只剩四百多个——这才是合理的。

1.2 edgeR 的核心思想：负二项 + 经验贝叶斯 + 广义线性模型

edgeR 是我的主力工具之一，它的核心可以拆成三步：

1. 负二项分布建模：每个基因的 counts 用一个均值-方差关系来描述。方差 = 均值 + 均值² × 离散度。这个离散度参数就是过离散的关键。
2. 经验贝叶斯收缩：单个基因的信息不够可靠，edgeR 会借整个基因组的信息来“缩小”离散度估计——尤其是低表达基因。我在一次单细胞数据批处理里就靠这个避免了大量假阳。
3. 广义线性模型（GLM）：把实验设计（分组、批次）映射到模型中，灵活处理多因素设计。比如你有处理、时间、批次三个变量，GLM 一句公式就能应对。

下面是一段最基础的 edgeR 操作流程，你感受一下：

library(edgeR)

# 构造 DGEList 对象
dge <- DGEList(counts = count_matrix, group = group_factor)

# 过滤低表达基因
keep <- filterByExpr(dge)
dge <- dge[keep, , keep.lib.sizes = FALSE]

# TMM 归一化
dge <- calcNormFactors(dge)

# 估计离散度（经验贝叶斯）
dge <- estimateDisp(dge, design = design)

# GLM 拟合
fit <- glmQLFit(dge, design)

# 差异检验
qlf <- glmQLFTest(fit, coef = 2)
topTags(qlf)

你想想看，就这么几行代码，背后已经完成了负二项建模、贝叶斯收缩、GLM 系数推断——edgeR 帮我们封装得很漂亮。

1.3 edgeR、DESeq2、limma 怎么选？我从项目角度给你排个序

市场上做差分的工具很多，但最常用的就这仨。我根据实际踩过的坑整理了一张对比表：

维度	edgeR	DESeq2	limma + voom
基础模型	负二项 + 经验贝叶斯	负二项 + 经验贝叶斯（含先验）	voom 变换后 + 正态线性模型
归一化方法	TMM	RLE (相对对数表达)	voom 自带权重
离散度估计	全局趋势 + tagwise 收缩	先验 + 收缩（更保守）	voom 把均值-方差关系转为权重
多因素/复杂设计	GLM 灵活，批次处理很方便	GLM 也支持，但速度偏慢	线性模型，叠加批次需手动
速度	较快	中等（大矩阵尤其慢）	最快
小样本（n < 3）	谨慎使用，需设 BCV 先验	内置收缩，相对稳健	不推荐
我的推荐场景	有明确批次、多分组、需要快速跑	样本少、偏好保守结果	已 logCPM 表达量、后期做富集

1.4 三种方法的核心逻辑对比例图

下面这张 SVG 图总结了 edgeR、DESeq2、limma 从原始 counts 到差异基因的完整路径——我根据自己画过的流程图重新整理了一份，希望能帮你建立直观理解：

1.5 小结：本章你到底该带走什么

• edgeR 的核心武器：负二项模型 + 经验贝叶斯收缩 + GLM，特别适合含批次的多因素设计。
• 什么时候用它：手头有 counts 矩阵，实验条件超过 2 个，或者带有明确批次效应（比如不同测序批次、不同操作员）。
• 和另两个工具的取舍：limma 最快但对付批次吃力，DESeq2 保守但慢，edgeR 在速度和稳健性之间取了一个不错的折中。