1. 课程介绍与背景
各位同学好，我是你们这门课的主讲。先聊聊我自己的经历吧 – 几年前我第一次接触RNA-seq数据时，差点被那堆FASTQ文件搞崩溃。后来慢慢摸索出套路，发现核心就两件事：把原始测序数据转成有意义的特征，再用这些特征训练分类模型。这门课就是要把这两块揉碎了讲给你听。
1.1 RNA-seq技术原理
RNA-seq，说白了就是给细胞里的所有RNA分子拍一张“快照”。你想想看，每个细胞在不同状态下表达的基因是不一样的 – 肿瘤细胞和正常细胞，用药前和用药后，差异都体现在转录组上。
典型的RNA-seq分析流程可以概括为下面几步：
| 步骤 | 任务 | 常用工具 |
|---|---|---|
| ① 原始数据获取 | FASTQ文件，包含测序读段和碱基质量 | Illumina BaseSpace |
| ② 质量控制 | 去除低质量碱基、接头污染 | FastQC, Trimmomatic |
| ③ 比对/定量 | 将读段比对到参考基因组，得到基因表达计数 | STAR, HISAT2, Salmon |
| ④ 表达矩阵 | 基因×样本的计数矩阵，用于后续分析 | featureCounts, htseq-count |
| ⑤ 标准化与特征工程 | CPM/TPM/FPKM，差异表达基因筛选等 | DESeq2, edgeR, limma |
个人技巧：我习惯在质控阶段就把FastQC的多报告合并成一个HTML – 用multiqc一句话搞定，能省下挨个打开文件的功夫。
fastqc *.fastq -o qc_reports
multiqc qc_reports -o multiqc_report嗯，这里要注意：你拿到的表达矩阵通常是整数计数，不能直接拿去做分类模型。为什么？因为每个样本的测序深度不一样，必须先做标准化。我踩过这个坑 – 曾经直接把原始计数扔进随机森林，结果准确率虚高，后来发现是批次效应在捣鬼。
1.2 分类模型的应用场景
搞清楚了RNA-seq数据长什么样，我们就能用它来解决实际问题。分类模型在转录组领域有几个特别典型的场景：
- 肿瘤亚型分类 – 根据基因表达模式区分乳腺癌的Luminal A/B、HER2富集、基底样等亚型。我用TCGA数据做过一个项目，准确率能做到95%以上。
- 药物响应预测 – 给患者用药前做RNA-seq，预测他会不会产生耐药。这比传统的免疫组化更精细。
- 细胞类型鉴定 – 单细胞RNA-seq出来后，用分类模型自动标注每个细胞属于什么类型 – T细胞、B细胞还是上皮细胞。
- 疾病诊断标志物 – 从几百个基因中筛出10个左右特征，构建二分类器（患者 vs 健康人）。
为什么不直接用差异表达基因？因为差异表达只考虑了单个基因的均值变化，分类模型能捕捉基因间的组合模式。我在一个项目中就发现，单独看TP53没有显著差异，但联合MDM2和CDKN2A后，模型能准确区分突变携带者。
核心观点：RNA-seq特征 + 机器学习 = 从高维转录组中提取可泛化的判别模式。这门课就是教你如何构建这条流水线。
1.3 课程整体路线图
整个课程一共30章，我把它分成了四个大模块。下面这张图可以帮你快速建立全局认知：
注意：千万别觉得数据准备阶段无所谓。我见过有人跳过质控直接跑Salmon，结果40%的读段是低质量，最后模型完全不可信。数据质量决定模型上限，这个道理在转录组领域尤其明显。
模块一（前5章）带你从原始FASTQ走到表达矩阵。模块二（6-12章）重点讲特征选择、降维、批次校正。模块三（13-22章）是重头戏——随机森林、SVM、XGBoost、深度学习CNN/Transformer，每种模型我们都会用真实RNA-seq数据跑一遍。模块四（23-30章）包括模型解释性（SHAP、LIME）、迁移学习、以及生产环境部署。
每个章节都配有可运行的Notebook示例。我建议你准备一台至少有16GB内存的机器——去云上开个GPU实例也行。我们在第3章会给出一份详细的软件清单和安装指南。
学习建议：我个人的习惯是先看一遍本章的SVG路线图，再往下读细节。这样不容易迷失在代码细节里。