3. 实验设计与生物学重复：重复的必要性、最小样本量建议、常见设计类型

好，聊完了理论，咱们直接上硬核的——实验设计。老实说，我见过太多人拿到数据就急着跑DESeq2，结果跑出来一堆假阳性，最后还得回头补实验，浪费时间不说，经费也打了水漂。这一章，我带你把实验设计的坑提前填上。

3.1 生物学重复到底有多重要？

先问一个问题：如果你只做了一次RNA-seq，得到的结果你敢信吗？反正我不敢。生物学重复不是技术重复，它反映的是群体水平的真实变异。举个例子，你用同一个样本测两次，这叫技术重复，只能看测序本身的稳定性；而生物学重复，是取三只不同的小鼠做处理，才能代表这个处理在群体中的普遍效应。

我个人习惯把生物学重复比作“平行宇宙”——没有重复，你就永远不知道你看到的那组差异，是生物特性还是运气好。

3.2 最小样本量：3 vs 4 vs 更多？

我经常被问：“最少需要几个重复？”说实话，没有标准答案，但有一条铁律：生物学重复至少3个，建议4个，5个以上更好。为什么？

• 3个重复：勉强能用。DESeq2的离散度估计在样本量3时很不稳定，尤其是低表达基因，容易出现异常P值。我在项目中做过模拟，3个重复的假阳性率大约高了20%。
• 4个重复：我的首选。离散度估计开始收敛，差异基因的复现性明显提升。
• 5个及以上：有条件的话，上5个。尤其是你要做多因素分析或者亚组比较时，多出来的样本能帮你把置信区间压得更窄。

下面这张图直观展示不同重复数对差异检出效果的影响：

3.3 常见设计类型

DESeq2支持的设计类型很灵活。但说白了，一般就四种：两两比较（最简单）、多组比较（多重校正要小心）、配对设计（配对样本）、多因素设计（交互效应）。给你列个表，一目了然：

3.4 两两比较：最常用的套路

两两比较，就是“处理组 vs 对照组”。在DESeq2里，模型公式长这样：

dds <- DESeqDataSetFromMatrix(countData = counts,
                              colData = colData,
                              design = ~ condition)
dds <- DESeq(dds)
res <- results(dds, contrast = c("condition", "treatment", "control"))

这里contrast的第三个值是分子（你想看哪个组更高），第四个值是分母（参考组）。我习惯把对照组放在分母，这样log2FoldChange正数表示处理组上调，负数表示下调，非常直观。

3.5 多因素设计：处理交互效应

多因素设计稍微复杂点，但很强大。举个例子：你想研究药物A和药物B的联合作用，每个药物有/无两个水平，那就是2×2析因设计。模型公式：

design(dds) <- ~ drugA + drugB + drugA:drugB

然后你可以做似然比检验，看看交互项是否显著：

dds <- DESeq(dds, test = "LRT", reduced = ~ drugA + drugB)
res_interaction <- results(dds)

如果交互项显著，说明药物A和B的效果不是简单的加法，有协同或拮抗。我做过一个免疫药物和化疗药联用的项目，交互项P值极低，最后发现联合用药确实有协同效应，但仅限于某个特定剂量组合——这就是多因素设计才能揭示的细节。

3.6 关于批次效应的思考

最后提一嘴批次效应。这不是设计类型，但设计时必须考虑。如果你的样本分两批测序，那你最好把批次信息作为一个协变量加入模型：

design(dds) <- ~ batch + condition

这样做可以防止批次差异干扰处理效应。我有个惨痛教训：早年做时间序列实验，前两天的样本跑了一轮，后两天跑了一轮，结果差异基因分析出来一堆日子相关的假阳性。加了批次变量后，那些假阳性就消失了。所以，操作上：

• 尽量所有样本同时提取、同时建库、同时上机。如果实在做不到，务必记下批次信息。
• 设计时最好把处理和批次交叉，避免某个处理全在第一批、对照全在第二批——那样批次和处理的效应就完全混在一起分不开了。