1、课程导论：肿瘤亚型分类背景与RNA-seq技术概述
各位同学，欢迎来到这门课。
我在这行干了不少年，坦白讲，肿瘤亚型分类是我觉得最有成就感的方向之一。原因很简单：你分析出的每一个亚型特征，都可能直接关系到病人该用哪种靶向药。这不是纯理论，这是“落听”的应用。
今天我们先不聊算法，先把这个背景理清楚。
1.1 为什么要做肿瘤亚型分类？
癌症从来不是一种病。拿最典型的乳腺癌来说吧——我当年在项目里处理过一批乳腺癌的RNA-seq数据，单纯看病理切片，医生们争议很大，同一张片子有的说是Luminal A型，有的说是Basal型。
后来怎么做？只能上分子分型。说白了，就是靠基因表达谱去“抓”分子特征。你想想看，如果不做亚型分类，所有病人都按同一种方案治疗，那效果自然千差万别。
传统分类靠病理形态，现在主流靠分子分型。两者的差距有多大？
| 对比维度 | 传统分类 | 分子分类 |
|---|---|---|
| 判断依据 | 细胞形态、组织切片 | 基因表达、突变、拷贝数 |
| 重复性 | 低，依赖医生经验 | 高，算法一致性强 |
| 亚型粒度 | 粗糙，大类别 | 精细，可细分亚亚型 |
| 经典案例 | WHO组织学分级 | PAM50、TCGA亚型 |
个人经验： 我在做GBM（胶质母细胞瘤）亚型时发现，仅仅靠病理分型，Proneural和Mesenchymal两种亚型经常被混在一起。加上RNA-seq后的“基因特征打分”，一下就把混淆降低了一半以上。这就是分子特征的价值。
1.2 RNA-seq 为什么是“主力军”？
RNA-seq是测转录组的主流利器。相比芯片，它不需要依赖已知探针，能发现新转录本、融合基因，有动态范围大、分辨率高的优势。
但是，很多新手拿到数据直接跑差异表达，然后扔进分类器——我当年也这样干过。结果呢？模型在训练集上准确率98%，换一个批次的数据直接掉到60%。为什么？批次效应没有处理好。
典型的RNA-seq分析流程大致分三步：
- 原始数据处理： 从fastq到表达矩阵（定量）。这一步我个人习惯用Kallisto或Salmon，速度快，内存占用小。
- 质量控制： 去除低质量样本、批次校正（ComBat、Harmony等）。
- 特征提取： 高变基因筛选、降维、特征工程。
# 转录本定量命令示例（Salmon）
salmon quant -i transcripts_index -l A \
-1 sample_1.fastq.gz \
-2 sample_2.fastq.gz \
-p 8 -o sample_quant
注意： RNA-seq的数据维度极高（人类约2万个基因），但样本量通常只有几十到几百。这直接导致了“高维小样本”问题，是后续分类模型的核心挑战。
1.3 从表达矩阵到亚型——整体框架
嗯，我们把这节课要讲的整体逻辑画成一张图。下面的SVG图展示了从RNA-seq数据到肿瘤亚型归类的完整技术链条：
1.4 这门课要带你走的路
这门课30个章节，咱们不绕弯子。我不会从测序原理讲起——那些你从别的资料里就能补。我直接带你从表达矩阵“开干”，一路走到分类模型交付。
具体来说，核心训练内容分成三大块：
- 数据处理流水线： 从表达矩阵到标准化的干净输入——如何用R和Python做差异分析，如何校正批次效应。我曾经因为漏了这个步骤，结果调了一个月的模型，复现不了论文结果。
- 特征学习与提取： 高维数据怎么降维？哪些基因才是“亚型特异”的标记？我们会过PCA、t-SNE、UMAP，也会讲到基于稀疏学习的特征选择。
- 分类模型与评估： 随机森林、SVM、全连接网络——在有限样本下该怎么选？验证集和外部独立验证到底有多重要？
避坑指南： 千万不要把所有希望寄托在模型调参上。我见过太多团队，花了几周去调神经网络结构，结果发现是输入数据里混了一个错误的样本ID。数据清洗始终是第一位的。
1.5 你需要准备的背景
为了跟上课程节奏，我希望你至少具备以下基础：
- 能看懂基因表达矩阵（行是基因，列是样本）
- 会使用R或Python做简单数据分析（pandas/numpy level）
- 对分类模型有基本认知（知道训练集、测试集、准确率）
坦白讲，如果你还没接触过RNA-seq数据，也没关系。我会在每章开头给出“前情提要”式的铺垫，把你快速拉到同一个起跑线上。
好了，背景交代到这里。我不喜欢废话太多。