第一章：RNA-seq 分析与肿瘤亚型概述——应用场景、挑战、课程目标
做了这么多年生物信息学，我越来越觉得 RNA-seq 是理解肿瘤异质性的利器。你想想看，一个肿瘤样本里装着成千上万个基因的表达量信息，这些数据里藏着肿瘤亚型的密码。但怎么把这些密码翻译成临床分型？这就是咱们这门课要解决的问题。
我个人习惯，在开始一个新项目前先搞清楚三件事：哪能用、哪容易翻车、学完能干什么。这一章咱们就用这个套路，先把 RNA-seq 肿瘤亚型分类的背景铺好。
1.1 什么是 RNA-seq？它跟肿瘤亚型有啥关系？
RNA-seq 说白了就是给细胞里所有 RNA 分子做个“人口普查”。通过高通量测序，我们能知道每个基因表达了多少条转录本。这和肿瘤亚型有什么关系？我遇到过不少入门同学，觉得肿瘤分型不就是看病理切片吗？其实啊，分子层面的差异要精细得多。
举个例子：同样是乳腺癌，Luminal A 型和三阴性乳腺癌的 RNA 表达谱完全不同。Luminal A 型高表达 ER 相关基因，而三阴性几乎没有这些。这种表达差异直接决定了治疗方案和预后。
1.2 应用场景——哪几个方向最刚需？
就我参与过的项目来看，RNA-seq 做肿瘤亚型分类主要卡在这几个场景：
- 鉴别未知亚型：有些肿瘤按传统组织学分型很模糊，RNA-seq 能发现新的分子亚群。
- 预后风险分层：比如弥漫性大 B 细胞淋巴瘤的 GC 型和 ABC 型，RNA-seq 特征直接关联生存期。
- 药物响应预测：某些亚型对靶向药敏感，测个表达量就能筛出获益人群。
- 多组学整合：RNA-seq 常和 DNA 甲基化、拷贝数变异一起分析，但咱们这课只聚焦转录组。
说实话，最让我头大的是批次效应。一次我在整合三个公共数据集时，直接合并跑聚类，结果第一群样本全是同一个实验室的——那不是亚型，那是实验批次！后来学乖了，先做批次校正再分析。
1.3 挑战——有哪些坑必须提前知道？
咱们把挑战列成一张表，方便你对照避坑：
| 挑战类型 | 具体表现 | 我曾经踩过的坑 |
|---|---|---|
| 高维度小样本 | 基因数 2 万+，样本数常不足 200 | 直接用全基因跑 SVM，过拟合到怀疑人生 |
| 批次效应 | 不同平台、不同试剂盒带来的技术噪声 | 三个数据集合并后亚型被批次掩盖，白跑一周分析 |
| 生物学变异大 | 肿瘤内异质性 + 个体差异 | 同一个病人的穿刺标本，不同区域测出来像两个亚型 |
| 样本不平衡 | 罕见亚型往往只有十几个样本 | 用准确率评估模型，结果模型只会预测多数类 |
| 特征可解释性要求 | 临床医生要问“为什么分到这个亚型？” | 黑箱模型被质疑过，后来强制加了一个特征筛选 |
1.4 课程目标——学完你能做什么？
这门课不是理论堆砌，是实战导向。30 章下来，我希望你能：
- 独立处理 原始 RNA-seq 计数矩阵，完成归一化、批次校正、差异分析。
- 设计并实现 一套机器学习工作流——特征选择、降维、分类器调参、集成学习。
- 评估模型 时能区分“看起来好”和“真有用”，用交叉验证和独立测试集说话。
- 解释结果 给临床医生听，用 SHAP 或关键基因图谱证明分型依据。
嗯，这里要注意：咱们全程用 Python+scikit-learn 和 PyTorch。你至少得会 pandas 读表和写简单循环。如果还不熟，没关系，每章代码我会一步一步拆开讲。
1.5 知识体系全景——一张图看懂这章
下面这张图概括了 RNA-seq 肿瘤亚型分类的核心流程和本节课的定位。我自己习惯在项目开始前画个路线图，避免跑偏。
这张图从原始数据一直走到最终分类结果。第 1 章咱们只站在山顶看全貌，后续每一章会深入每个方框里的技术细节。