4. DGEList 对象：创建、分组与注释

说到 edgeR 的实战，第一步就是造出 DGEList 对象。这个对象就像是整个分析管的入口——你喂给它 counts 矩阵、分组信息、基因注释，它才能开始做 normalization、dispersion 估计、差异检验。我在项目里见过不少新手直接把原始 count 矩阵扔进 edgeR 函数里，结果跑出来的结果乱七八糟。为什么？因为 DGEList 没建对。

说白了，DGEList 就是 edgeR 的统一数据容器。它把表达量、样本属性、基因特征全打包在一起。你后面写的 calcNormFactors、estimateDisp、glmFit 全都依赖这个对象。所以这一章，我们就把它彻底搞明白。

4.1 从 counts 矩阵创建 DGEList

假设你手头有一个 counts 矩阵——行是基因，列是样本。值都是整数，代表 mapping 到每个基因上的 read count。这种情况最常见。

counts <- matrix(rnbinom(1000, mu=100, size=10), nrow=100, ncol=10)
rownames(counts) <- paste0("gene", 1:100)
colnames(counts) <- paste0("sample", 1:10)

# 最简洁的创建方式
y <- DGEList(counts = counts)

你瞧瞧，一行代码就搞定了。但这时候 y 对象里只有 counts 数据，没有分组信息。分组是什么？就是你的实验条件——对照组 vs 处理组，或者时间点 A vs 时间点 B。

4.2 指定分组因子

分组因子（group factor）是 edgeR 里最重要的元数据。它决定了后续的 normalization 和 dispersion 估计怎么按组聚合。我个人习惯在创建 DGEList 时就把分组带上，一步到位。

group <- factor(c("control", "control", "control",
                  "treatment", "treatment", "treatment",
                  "control", "treatment", "control", "treatment"))
y <- DGEList(counts = counts, group = group)

这里有个坑：factor 默认按字母顺序排列水平。如果你的对照组是 "control" 而处理组是 "treatment"，字母顺序正好是 control 在前，没问题。但万一你的组名是 "WT" 和 "KO"？字母顺序会变成 "KO" 在前，"WT" 在后，但你想让 WT 作为 baseline？

正确做法是显式指定参考水平：

group <- factor(group, levels = c("WT", "KO"))   # 明确 WT 为 baseline

你也可以在创建完 DGEList 之后再补分组：

y$samples$group <- factor(c("ctrl","ctrl","trt","trt","ctrl","trt","ctrl","trt","ctrl","trt"),
                           levels = c("ctrl", "trt"))

效果一样，只是更灵活——比如你从外部 CSV 读入样本信息表，然后直接赋值到 y$samples 里。

4.3 添加基因注释信息

差异分析完成后，你总要知道每个基因是干啥的吧？基因注释就是干这件事的。常见注释包括基因符号（symbol）、染色体位置、Entrez ID、GO 号等等。

添加注释有两种主流方式：

• 直接从现有对象传入：另一个 DGEList 的 $genes。
• 从外部数据框构建：读入 CSV/TXT，再赋值给 y$genes。

假设你手头有一个注释数据框：

gene_annot <- data.frame(
  gene_id   = rownames(counts),
  symbol    = sample(c("TP53", "BRCA1", "EGFR", "MYC", "KRAS"), 100, replace = TRUE),
  chr       = sample(c("1", "2", "3", "5", "7"), 100, replace = TRUE),
  biotype   = rep("protein_coding", 100)
)
y <- DGEList(counts = counts, group = group, genes = gene_annot)

注意：genes 数据框的行名必须与 counts 矩阵的行名一一对应。反过来，如果你已经有一个 y 对象，也能后加：

y$genes <- gene_annot   # 直接赋值

4.4 DGEList 对象的结构一览

创建完成后，用 str(y) 看看它的内部结构。你会发现它是个列表，包含两个主要数据框：

成分	说明	行/列
y$counts	原始 count 矩阵（整数）	基因 × 样本
y$samples	样本信息表，包含 group、lib.size、norm.factors 等	样本 × 元数据
y$genes	基因注释表，可选	基因 × 注释列

# 查看样本信息
head(y$samples)

# 查看基因注释
head(y$genes)

嗯，这里要提醒一点：y$samples 里的 lib.size 列是自动计算的总文库大小（每列 counts 之和）。你无需手动设置，但如果你用外部计算的文库大小覆盖，也没问题——只是不推荐，除非你特别清楚自己在做什么。

4.5 核心流程一览

我画了一张图，把从创建到注释的完整流程串起来，你看一眼就明白 DGEList 怎么一步步搭起来了。

你回想一下，整个创建过程其实就三步：

1. 准备 counts 矩阵（必须）
2. 设定分组因子（建议在创建时一并传入）
3. 附加基因注释（可选，但强烈推荐）