1. 转录组学与差异表达分析概述

说起转录组学，你可能会觉得有点抽象。说白了，它就是研究一个细胞或组织里，所有RNA分子都在干什么。我刚开始接触这个领域时，也搞不清它跟基因组学有什么区别——后来才明白，基因组是静态的蓝图，而转录组是动态的执行报告。

为什么这玩意儿这么重要？因为RNA是基因表达的「中间人」。DNA藏在细胞核里不能直接干活，得靠转录出mRNA，再翻译成蛋白质去执行功能。你想想看，想要知道某个基因在不同条件下是不是被「打开」或「关闭」，最直接的办法就是看它的RNA水平变化——这就是差异表达分析（DE分析）的由来。

1.1 什么是转录组学

转录组学（Transcriptomics）研究的对象，是某个特定时刻、特定条件下，一个细胞或组织里所有RNA的集合。包括mRNA、非编码RNA，还有各种剪接变体。

它解决的问题很明确：

• 哪些基因在表达？——定性分析，检测基因是否被转录。
• 表达量是多少？——定量分析，计算每个基因的RNA丰度。
• 在不同条件下怎么变？——差异分析，比较两组之间的表达差异。

我在一个癌症项目中遇到过这样的情况：同一个基因，在不同患者的肿瘤样本里，表达模式天差地别。如果不做差异分析，你根本抓不住那些关键驱动基因。

1.2 差异表达分析的核心问题

差异表达分析，说白了就是回答一个问题：「在条件A和条件B之间，哪些基因的表达量有统计学意义上的显著变化？」

你可能会想，这不就是做个t检验吗？嗯，没那么简单。测序数据有几个让人头疼的特点：

• 离散度高——RNA-seq数据通常是计数数据，方差往往大于均值。
• 样本量小——生物学重复通常只有3~5个，统计检验力不够。
• 多重比较——一次分析几万个基因，假阳性膨胀得厉害。

所以专用的方法应运而生。DESeq2就是其中最常用的一种，它用负二项分布模型来处理过离散问题，还内置了多重检验校正。

1.3 常见的研究设计

差异分析的设计五花八门，但大体上可以归成几类：

设计类型	示例	分析难点
两组比较	处理组 vs 对照组	批次效应容易混淆
多组比较	野生型 vs 突变体 vs 回补株	需要多重比较校正策略
时间序列	0h, 6h, 12h, 24h 处理	趋势检验，连续变量建模
配对设计	同一患者的肿瘤 vs 癌旁	考虑个体随机效应

我个人经验是：批次效应是很多新手翻车的地方。曾经有一个项目，我拿到了两批数据，结果第一批和第二批的实验日期差了一个月，组内差异比组间还大。后来我通过DESeq2的公式里加入批次变量，才把信号捞出来。

1.4 数据预处理流程概览

在跑DESeq2之前，你手头得有干净的数据。标准的预处理流程大致如下：

1. 原始测序数据（FASTQ）——质控、去除接头、过滤低质量读段。
2. 比对到参考基因组/转录组——用STAR、HISAT2或Salmon等工具。
3. 基因水平定量——得到每个基因的计数矩阵（count matrix）。
4. 导入DESeq2——构建DESeqDataSet对象，进行差异分析。

嗯，这里要注意：DESeq2的输入是整数计数，而不是标准化后的RPKM/FPKM。为什么？因为它内部会自己处理文库大小和基因长度，你给它原始整数就行。

下面是一个典型的count matrix片段，CSV格式：

gene_id,control1,control2,treatment1,treatment2
ENSG000001,120,95,340,310
ENSG000002,45,38,22,19
ENSG000003,210,205,198,215

每一行是一个基因，每一列是一个样本，数字代表比对到这个基因上的读段数目。

1.5 本章小结

这一章我们把转录组差异分析的基本概念捋了一遍。核心就是：在两组或多组样本之间，找出表达有显著变化的基因。后面所有的技巧、代码、调试，都是围绕这个目标展开的。

下面我用一张流程图把整个分析框架串起来，后续每一章都会在某个环节上深入展开。

这张图把我们从实验设计到最终可视化的链路都串起来了。其中DESeq2差异分析是核心环节，后面我们会花大量篇幅来拆解它内部的统计模型和参数调优。