RNA-seq 数据特点：读取计数、归一化、批次效应、技术重复与生物学重复

做 RNA-seq 数据验证，第一关不是模型，是数据本身。我见过太多人一上来就怼深度学习，结果被原始数据的“坑”直接教做人。今天咱们就掰扯清楚 RNA-seq 数据到底长什么样，有哪些脾气。

1. 读取计数（Read Counts）—— 一切的基础

RNA-seq 测序出来，第一步得到的是计数矩阵。行是基因（或转录本），列是样本，每个格子是个整数，代表比对到这个基因上的 reads 数量。说白了，就是数数——每个基因被“数”到多少次。

关键特性：计数数据本质是离散的，而且是过离散（overdispersion）的。方差往往大于均值，这在统计建模时必须考虑。

我个人习惯拿到原始计数后，先做三件事：

  • 检查测序深度：各样本的总 reads 数差异是否在 3 倍以内？超出这个范围就要警惕。
  • 看低表达基因比例：超过 50% 的基因平均计数 < 10？那就需要过滤策略。
  • 查零膨胀情况：特别对于单细胞数据，零的比例可能高达 90%。

我曾经接手一个项目，合作伙伴给的“clean data”里，有个样本的总 reads 数只有其他样本的十分之一。他们说是“技术原因”。嗯，这基本等于说“数据不能用”。从那以后，我接数据第一件事就是画总计数分布图。

避坑指南：原始计数最好不要直接用于差异表达分析。很多方法（如 DESeq2）要求输入的是整数计数，而非归一化后的浮点数。强行输入归一化值会破坏统计模型的假设。

2. 归一化（Normalization）—— 让样本之间能比

为什么要归一化？很简单：两个样本测序深度不一样，你不能直接拿原始 count 比较。

举个例子：样本 A 测了 2000 万 reads，样本 B 测了 1000 万 reads。就算所有基因表达完全一样，A 的 count 也会是 B 的 2 倍。这显然不是生物学差异。

常用的归一化方法有这些：

方法 核心思想 适用场景
CPM / RPKM / FPKM 按文库大小和基因长度缩放 样本间粗略比较（已逐渐被淘汰）
TPM 先按基因长度归一化，再按文库缩放 基因间、样本间比较
DESeq2 的 median of ratios 考虑文库大小和 RNA 组成 差异表达分析的主流方法
TMM (edgeR) 去除高表达、高差异基因后计算缩放因子 差异表达分析的另一主流方法

我记得有一次做跨平台验证，一个用 RPKM，一个用 TPM，直接对比例子数据，画出来的散点图像毛线团。后来统一重算成 TPM，才算看清了趋势。

注意：RPKM/FPKM 有个臭名昭著的缺陷——不同样本间总计数会因高表达基因的“抢资源”而产生偏差。这也是为什么主流分析 pipeline 现在很少用它们做差异分析了。

归一化在外部验证环节也很重要。模型训练时用的归一化方法，验证时也要用同样的参数去转数据，否则模型看到的特征空间直接变了。

# 示例：Python 中如何重现 DESeq2 的归一化
# 这只是示意，实际建议用 DESeq2 的 R 包
def deseq2_normalize(count_matrix):
    # 1. 计算几何均值（按行，排除零）
    # 2. 计算每个样本相对于几何均值的比值
    # 3. 取中位数作为缩放因子
    # 4. 原始计数除以缩放因子
    return normalized_counts

3. 批次效应（Batch Effect）—— 不是你实验的问题，但一定是你的问题

批次效应是 RNA-seq 数据里躲不开的“幽灵”。不同测序批次、不同操作人员、不同试剂批次，都会引入系统性差异。这些差异与生物学差异纠缠在一起，处理不好，你的模型学到的可能只是“批次识别器”。

为什么它这么重要？因为外部验证的本质，就是用“新数据”检验模型。如果新数据来自不同批次，而模型没有处理好批次效应，那么验证结果会极其惨烈。

我有个血泪教训：团队花三个月训练了一个癌症分型模型，在原始数据集上 AUC 0.95。兴冲冲地拿外界公开数据一测，AUC 直接掉到 0.6。问题出在哪？训练数据全是 Illumina HiSeq 2500 测的，外部数据是 NovaSeq 6000 测的。基因表达量分布完全不同，模型完全“蒙圈”。

检测批次效应可以用主成分分析（PCA）或 t-SNE：

  • 用批次变量对 PCA 结果着色
  • 如果样本按照批次而不是生物学分组聚在一起，那批次效应很严重
  • 计算批次对表达量方差的贡献比例（如 R 包 variancePartition）

常见的校正方法包括：ComBat、limma::removeBatchEffect、以及基于回归的方法。但要注意：校正前一定要确保训练集和验证集可以一起校正，或者验证集能用训练集的参数来校正。

# R 中使用 ComBat 进行批次校正（示意）
# library(sva)
# adjusted_matrix <- ComBat(dat = expression_matrix, batch = batch_vector)

4. 技术重复与生物学重复 —— 你测了几次？你到底测了谁？

这两个概念经常被混淆，但在模型验证中，它们决定了你的结论有多可靠。

技术重复：同一管 RNA，分成两等份，分别建库测序。差异来自实验操作和技术误差。

生物学重复：同一条件下，不同个体的样本分别处理、建库、测序。差异既包括技术误差，也包括个体间的生物学变异。

重复类型 变异的来源 在模型验证中的作用
技术重复 建库、测序、操作 评估模型对测量噪声的鲁棒性
生物学重复 个体差异 + 技术误差 评估模型在新个体上的泛化能力

我之前遇到一个案例：有人在同一个病人的肿瘤样本上做了 3 次 RNA-seq，作为 3 个“肿瘤样本”喂进模型。结果模型在外部验证时准确率暴跌。为什么？因为那 3 个“样本”本质上只有一个生物学样本，模型捕捉到的更多是技术噪声，而不是真正泛化的肿瘤特征。

给验证的建议：

  • 外部验证集最好来自不同的实验室、不同测序平台
  • 至少要有 3 个生物学重复（每个组别）
  • 如果模型在技术重复上表现好，在生物学重复上表现差，那说明过拟合了技术噪声

5. 一张图总结 RNA-seq 数据的“坑”

下面这张图梳理了从原始测序到外部验证的数据流，以及每个阶段最容易出问题的环节。你们可以把它贴在工位旁，当 checklist 用。

RNA-seq 数据流与验证注意事项 原始测序数据 (FASTQ) 比对 (BAM/SAM) 定量 (计数矩阵) 归一化 (TPM/RPKM...) 批次效应校正 模型训练 外部验证 常见“捷径” — 危险！ 检查点：数据验证 检查点：模型验证 外部验证要点： 1. 验证集与训练集是否来自同一平台/批次？ 2. 归一化参数是否重置？还是直接套用了训练集参数？ 3. 生物学重复是否足够支撑统计推断？

图里那个虚线路径，就是“归一化和批次校正都跳过，原始定量数据直接喂模型”——这种搞法在学术界被叫“garbage in, garbage out”。我见过有人这么干过，审稿人回复里第一条就是质疑数据处理流程。别走那条路。

6. 小汇总：给新手的检查清单

  1. 读入数据第一件事：检查各样本总 reads 数，画出分布图，找离群。
  2. 归一化前：确认你的下游分析需要整数计数还是浮点数。
  3. 外部验证前：一定要确认训练集和验证集的批次信息。如果批次不一致，要么合并校正，要么确认模型对这些差异鲁棒。
  4. 重复样本：区分清楚是技术重复还是生物学重复。如果区分不了，默认按生物学重复处理，宁可保守也不要激进。
  5. 日志记录：每步数据处理，用什么参数，什么版本的工具，全部记下来。外部验证出了问题，你能往回追溯。

嗯，这些内容听起来基础，但我在实际项目中见过太多人在这上面翻车。数据是模型的根基，根基不稳，后面再花哨的技术也白搭。下一块内容，我们会具体聊怎么把这些特性用到外部验证流程里，搭建一套可靠的评估框架。今天就到这儿，你们先消化一下这些概念。

← 上一章 📖 返回目录 下一章 →