📚 课程目录第2章 RNA-seq实验设计基础

RNA-seq实验设计基础：别在第一步就埋下坑

说实话，RNA-seq分析这个事儿，很多人一上来就急着跑流程、调参数。但我做了这么多年生信，可以负责任地告诉你——实验设计阶段犯的错，后面再怎么调算法也救不回来。嗯，这话不太好听，但事实就是这样。

我自己早期就吃过这个亏。记得有个项目，测了12个样本，结果发现有8个是批次效应造成的假阳性。你说气不气？所以今天咱们就把实验设计这块掰开揉碎了讲清楚。

生物学重复：你以为是越多越好？其实...也对

先聊生物学重复。说白了，就是同一种处理下，采不同的个体/样本。比如你要比较肿瘤和正常组织，肿瘤组采3只老鼠，正常组也采3只——这就是生物学重复。

但问题来了：到底需要多少重复？

我一般在项目里会按这个经验来权衡：

我的经验法则：

发现差异表达基因：每组至少3个生物学重复
构建分类模型：每组至少5-8个，越多越好
检测低丰度转录本：建议6-10个以上

你可能会问：技术重复能不能代替生物学重复？不能，千万别这么干。技术重复只是把同一个样本多测几次，它反映的是技术误差。而生物学重复反映的是群体本身的变异。我在项目中见过有人拿3个技术重复假装是3个生物学重复，结果做差异分析时全是虚惊一场——假阳性率高得离谱。

为什么？看图就明白了：

这张图就是我每次做RNA-seq项目时脑子里过的流程。你看，从生物学重复到测序深度，再到文库类型，每个决策点都会传导到下游分析。不夸张地说，实验设计做了80%的功课，后面的分析就顺了。

测序深度：不是越深越好，够用就行

测序深度，也叫覆盖度，指的是每个转录本被测到的平均次数。具体怎么算？

测序深度 = 总有效读长数 / 转录组总长度

但实际项目里，我们更关心的是每条样本要测多少条read。这个量取决于你的研究目标：

应用场景	建议测序深度	说明
基因表达定量（差异分析）	15M-30M reads	检测中等以上表达水平的基因
低丰度转录本检测	50M-100M reads	需要更高灵敏度
可变剪接分析	40M-80M reads	需要覆盖剪接连接点
分类模型训练	20M-40M reads	特征稳定即可，过高深度不一定更好

我曾经踩过的坑：有个同事为了追求“高深度”，把6个样本都测到了80M reads。结果钱花了不少，但分类模型反而过拟合了——因为高深度引入了大量随机噪声。后来我帮他降采到30M reads，模型表现反而更好。所以别盲目追求高深度，够用就好。

文库类型：链特异性vs非链特异性

这个话题我得展开讲讲，因为很多初学者搞不清楚区别。

链特异性文库：能区分read是来自正义链还是反义链。这有什么用？举个例子，反义转录本、长链非编码RNA，它们的表达方向和注释方向可能相反。如果你用非链特异性文库测，根本分不清是正义还是反义。

非链特异性文库：也叫常规文库，不保留链信息。优点是建库流程简单，成本低一些。但代价是丢失了链方向信息。

我建议怎么选？给你个对照表：

文库类型	原理	优点	缺点	推荐场景
链特异性	保留RNA链方向信息	能准确区分正义/反义转录本；提高反义RNA、lncRNA检测准确率	建库步骤相对复杂，成本略高	lncRNA研究，反义转录本分析，分类模型对链方向敏感时
非链特异性	不保留链信息	建库简单，成本较低	无法区分链方向，可能混淆正义/反义	常规差异表达分析，对链信息不敏感的场景

说到这儿，我想起一个具体案例。有个团队做非小细胞肺癌的分类研究，用了非链特异性文库。结果发现某些基因在肿瘤和正常组之间的表达差异特别大，但就是无法判断是正义转录本还是反义转录本在起作用。换了链特异性文库后，才确认是反义转录本在肿瘤中特异性高表达。你说，这个信息重不重要？

我的习惯：做分类模型相关的RNA-seq项目，我默认选链特异性文库。虽然每份样本多花几百块，但多了链方向这个特征维度，对模型性能的提升往往很值。你想想看，多一个有效特征，分类器就多一份决策依据。

实战：用代码估算需要的生物学重复数

光说不练假把式。我来给个实际例子，你可以在自己的项目里套用。

假设你要做两组比较，每组需要多少生物学重复？一个简单的方法是基于统计功效分析。我可以给你一个R代码片段，计算给定效应量下的重复数：

# 使用R包pwr估算样本量
# 安装：install.packages("pwr")
library(pwr)

# 设置参数
effect_size <- 0.8    # 期望的效应量（Cohen's d）
alpha <- 0.05         # 显著性水平
power <- 0.8          # 统计功效

# 计算所需样本量
n <- pwr.t.test(
  d = effect_size,
  sig.level = alpha,
  power = power,
  type = "two.sample"
)
print(n)

这个代码跑出来，每组大概需要15-20个样本。但实际做RNA-seq时，因为多重比较校正、数据噪声等影响，我一般会再加50%的余量。嗯，保守一些总没错。

  关键总结：
  生物学重复 ≥3，构建模型建议5-8个以上
测序深度：差异分析20-30M，分类模型20-40M
文库类型：做分类模型时优先选链特异性文库
实验设计阶段多花一周思考，后面省下一个月加班

说白了，RNA-seq实验设计就是你整个分析项目的基石。基石的稳固程度，决定了你后续所有工作的高度。不要图省事，在第一步就埋下隐患。我自己吃了那么多亏，才总结出这些经验——希望你不用再走一遍弯路。