edgeR批次协变量建模与差异表达分析 - 第1节
edgeR 简介：为什么我们需要它？
说实话，做转录组分析的人，几乎都绕不开一个核心问题：差异表达基因。拿到表达矩阵之后，我们最想干的事就是——看看哪批基因在实验组和对照组之间玩命上蹿下跳。但理想很丰满，现实很骨感。原始 read count 数据直接拿来比，那结果基本没法看。
为什么？因为不同样本的测序深度不一样，基因长度不同，文库构建效率也有波动。这时候如果你拿原始计数直接做 t 检验，那就是在沙子上盖楼。我刚开始接触 RNA-seq 那会儿，就犯过这个错误。跑出来好多「显著差异」基因，结果一查，全是测序深度差异导致的假阳性。嗯，从那以后我就记住了：差异表达分析，必须用专门为 count 数据设计的工具。
edgeR 就是这类工具里的老牌战将。它隶属于 Bioconductor 家族，专门处理基因表达计数矩阵。它的核心武器是 负二项分布模型，说白了就是能更精准地描述 RNA-seq 数据的离散特性。普通的泊松分布假定均值和方差相等，但真实数据往往是方差远大于均值——这叫 overdispersion。edgeR 通过估计一个离散参数（dispersion），把这个问题扛了下来。
edgeR 的核心设计思想
你别把 edgeR 想得太玄乎。它的核心逻辑其实就三条：
- 基于测序深度的归一化：默认使用 TMM（trimmed mean of M-values）方法。它剔除那些极端高表达和差异极大的基因，用剩余基因的加权平均来校准样本间的测序深度差异。
- 负二项建模：用均值-方差关系来描述每个基因的表达波动。离散参数越小，说明基因表达越稳定；离散参数越大，说明基因受批次效应或其他噪声影响越严重。
- 经验贝叶斯收缩：这是 edgeR 的绝活。它会借整个数据集的力量来「收缩」单个基因的离散估计值，尤其是那些低表达基因。为什么？因为低表达基因的 read count 少，单靠它自己估计离散，误差巨大。借了邻基因的信息后，估计结果就稳健多了。
edgeR 到底能解决什么问题？
你可能会问：那么多差异分析工具，为什么我偏偏要学 edgeR？我罗列几个它在实际项目中的典型应用场景：
- 两组比较：比如正常 vs 疾病，最简单也最经典。
- 多组比较：多个时间点、多个处理水平，edgeR 能处理广义线性模型。
- 加入协变量：这就是我们这门课的核心——把批次、性别、年龄等 nuisance 因素作为协变量放进模型，消除它们对差异结果的干扰。
- 多因子实验：比如同时看药物和时间的交互作用，edgeR 的 GLM 框架完全覆盖。
说白了，只要你有基因表达计数矩阵，样本有明确的分组信息，edgeR 就基本能搞定。我个人还特别喜欢它的 cpm() 函数，把 count 转成 CPM（counts per million），做 QC 视觉检查的时候特别好使。
安装 edgeR：别在第一步卡住
安装这件事，听起来简单，但我在课上见过不少同学在这栽跟头。最常见的问题是什么？——版本冲突。R 的版本太老，或者 Bioconductor 的版本对不上。
标准安装方式
edgeR 是 Bioconductor 的包，所以你得用 BiocManager 来装。不要直接用 install.packages()，那个是从 CRAN 装的，虽然也能搜到一些包，但 Bioconductor 的包依赖链更复杂。
# 第一步：确保 BiocManager 已安装
if (!requireNamespace("BiocManager", quietly = TRUE))
install.packages("BiocManager")
# 第二步：安装 edgeR
BiocManager::install("edgeR")
# 第三步：验证安装
library(edgeR)
packageVersion("edgeR")我个人习惯在执行完上面三步后，顺手看一眼输出。如果没报错，并且能看到类似 [1] ‘4.2.0’ 这样的版本号，那就说明装上了。
R.version.string 看看，至少是 4.1 以上才保险。
依赖包检查
edgeR 的依赖不算多，但有几个关键包你必须留意：
| 包名 | 用途 | 安装方式 |
| limma | 线性模型框架，edgeR 的 GLM 实际依赖于它 | BiocManager::install("limma") |
| statmod | 提供精确检验所需的分布函数 | install.packages("statmod") |
| splines | R 自带，通常无需额外安装 | R 内置 |
你看，依赖其实很轻量。但为什么还要列出来？因为我在项目里碰到过这样的情况：limma 没更新到最新版，结果 edgeR 的 glmFit() 函数死活跑不出来。解决办法很简单：把这三个包都更新到最新。
# 一键更新所有 Bioconductor 包
BiocManager::install(ask = FALSE, update = TRUE)验证安装是否完整
装好了，别急着关。跑一个最简单的 demo 验证一下环境：
# 加载包
library(edgeR)
# 生成一个假数据矩阵：1000 个基因，4 个样本
set.seed(42)
counts <- matrix(rnbinom(4000, mu = 10, size = 0.2), nrow = 1000)
# 创建分组
group <- factor(c("A", "A", "B", "B"))
# 创建 DGEList 对象
y <- DGEList(counts = counts, group = group)
# 运行过滤
keep <- filterByExpr(y)
y <- y[keep, , keep.lib.sizes = FALSE]
# 归一化
y <- calcNormFactors(y)
# 查看结果
head(y$samples)如果这段代码能无错跑通，说明你的 edgeR 环境就绪了。我看到 calcNormFactors 返回的 norm.factors 都在 0.9-1.1 之间，就放心了。
你可能会问：为什么非要跑一遍 demo？说实话，我在给客户部署分析流程的时候，每次都这么干。因为经常出现「装上了，但某个底层 C 库链接有问题」的情况。跑一段真实的代码，才是检验安装的唯一标准。
本章知识体系速览
这张图概括了本章的两条主线：edgeR 的设计思想（左侧三块核心能力）和学习路径（从安装走向实际应用）。你可以看到，三大设计思想都指向一个目标——让差异表达分析更稳健、更准确。而安装流程是整个课程的基础，没有这一步，后面的批次校正流程连跑都跑不了。