4. 线性模型基础回顾
线性模型，说白了就是一条数学公式，把你要解释的变量（y）和你的实验条件（X）之间的关系给定量化。你想想看，无论是两组比较还是多组时间序列，背后都能用这套框架搞定。我个人习惯把线性模型拆成三块来看：模型公式、设计矩阵、对比矩阵。这三块搞明白了，limma 的批次校正也就没什么神秘的了。
4.1 模型公式：从抽象到具体
最基本的形式长这样：
y = Xβ + ε每个符号的意思我掰开来说：
- y —— 你测到的数据，比如基因表达量，一个 n×1 的向量。
- X —— 设计矩阵，n×p 的矩阵，告诉模型每个样本属于什么组、受了什么处理。
- β —— 回归系数，p×1 的向量，代表每个实验条件对表达量的贡献。
- ε —— 误差项，模型没解释掉的那部分随机波动。
我在项目中遇到过有人把模型公式记成 y = a + bx，然后直接套到多组实验上，结果对比矩阵怎么都写不对。嗯，这里要注意：公式里的 X 不是只有一个变量，它可以包含多个列，对应不同的组别、批次、协变量。理解这个，后面的设计矩阵才不会写错。
4.2 设计矩阵：把实验设计翻译成数字
设计矩阵就是把你脑袋里的实验方案，翻译成一堆 0 和 1，让计算机能算。每一行是一个样本，每一列是一个模型参数。
举个例子，三组比较（A、B、C），每组两个样本，用 treatment 编码：
(Intercept) groupB groupC
1 1 0 0
2 1 0 0
3 1 1 0
4 1 1 0
5 1 0 1
6 1 0 1你看，第一列全是 1，代表截距（通常就是 A 组的均值）。第二列是 B 组 vs A 组的指示变量，第三列是 C 组 vs A 组。这种编码方式在 R 里是默认的，叫“treatment contrast”。我当时刚学的时候，总觉得截距那列是多余的，后来才明白，没有截距，模型就少了一个基准，后面的对比矩阵写起来反而更绕。所以我的建议是：先用默认编码跑通，再考虑别的。
model.matrix(~ group, data = your_data) 就能直接看到设计矩阵长什么样。跑之前先看一眼，避免低级错误。
4.3 对比矩阵：精准提问的工具
设计矩阵搭好了，模型也拟合了，接下来你要回答具体的科学问题。比如：“B 组和 C 组到底有没有差异？” 这时候就需要对比矩阵。
对比矩阵 C 的每一行代表一个你要检验的假设。还拿上面三组（A、B、C）的例子来说，参数 β 有三个：截距（A 组均值）、B vs A、C vs A。如果你想检验“B 组和 C 组均值相等”，对应的对比向量是：
C = [0, 1, -1]
意思就是：B 组的效应减去 C 组的效应，看它是不是显著不为零。我见过有人直接用 groupB - groupC 去做 t 检验，但那样忽略了模型估计的联合方差，结果容易偏。正确做法是在 limma 里用 contrasts.fit 函数，把对比矩阵传进去，它会自动考虑所有参数的相关性。
| 对比类型 | 对比向量（参数顺序：Intercept, groupB, groupC） | 检验问题 |
|---|---|---|
| B vs A | [0, 1, 0] | B 组与 A 组是否有差异 |
| C vs A | [0, 0, 1] | C 组与 A 组是否有差异 |
| B vs C | [0, 1, -1] | B 组与 C 组是否有差异 |
| B 和 C 的均值 vs A | [0, 0.5, 0.5] | 处理组均值是否与对照组不同 |
contrasts.fit 跑一下，它会报错提醒你。
4.4 最小二乘法：怎么找到最佳拟合线
有了模型公式和设计矩阵，下一步就是估计 β。最经典的方法就是最小二乘法——让预测值和真实值的平方差之和最小。
它的闭式解大家应该都见过：
β̂ = (XᵀX)⁻¹ Xᵀ y在 R 里，一行代码就搞定了：
fit <- lm(y ~ group, data = my_data)
coef(fit)
但我得提醒你，这个公式成立的前提是 XᵀX 可逆。我在项目中遇到过两次设计矩阵“秩亏”的情况：一次是两组样本完全一样，另一次是不小心把截距和所有组别哑变量都放进去了，造成了完全多重共线性。R 会默默地帮你扔掉一些列，但如果你没留意，后面解释系数时就乱套了。所以，跑 lm 之前，我建议先检查一下设计矩阵的秩：
qr(X)$rank让它等于列数，才是满秩的。
4.5 假设检验：这个效应显著吗？
参数估计出来了，你还得知道它是不是真的可靠。这就轮到假设检验上场。在线性模型里，最常用的是 t 检验和 F 检验。
- t 检验 —— 检验单个回归系数是否显著不为零。比如上面的 B vs A，对应的 β₂ 是不是 ≠ 0。
- F 检验 —— 检验一组系数是否同时为零。比如整个“组别”这个因素是否显著，对应就是所有组别哑变量一起检验。
在 limma 里，t 检验对应 topTable 里的 t 列，F 检验对应 F 列。p 值大家都懂，但注意了，limma 用的是“经验贝叶斯”方法，它会借用所有基因的信息来稳定方差估计。这一点比普通的 lm 要稳健很多，特别是样本量小的时候。
我曾经见过有人把 limma 的 p 值直接用普通的 t 分布去解释，忽略了 limma 内部的方差收缩。结果筛选出来的差异基因一大堆假阳性。嗯，记住：limma 的检验统计量是“ moderated t ”，自由度通常比传统 t 检验大，p 值也更可靠。
这张图就是整个线性模型分析的骨架。从实验设计到最后出结论，每一步都依赖上一步的正确构建。我个人觉得，最卡人的地方往往是设计矩阵和对比矩阵的衔接——只要这两个写对了，模型拟合和假设检验基本上就是自动完成的事。希望这份回顾能让你在后面接触 limma 的实际案例时，心里更有底。