差异表达分析概述：概念、应用场景与常用工具简介
说实话，我刚接触生物信息学那会儿，对「差异表达分析」这个词很敬畏。听起来特别高大上，对吧？但后来在实验室里跟湿实验的同学聊多了，发现它其实就是回答一个很朴素的问题：两组样本里，哪些基因的表达量真的不一样了。
我个人习惯把这事比作「大海捞针」。RNA-seq 一次能测到两万多个基因，大多数基因在两组之间其实没啥变化。我们真正要找的，是那少数几个在疾病组里飙升或骤降的基因。这才是生物学故事的起点。
核心概念：两个维度，三个要素
要理解这个分析，你得先抓住两个维度：表达量和差异倍数。表达量是说一个基因在样本里有多少条读段（counts）；差异倍数则是两组均值的比值关系。但光看差异倍数不够——你想想看，一个基因在组 A 有 1 个 counts，组 B 有 10 个 counts，差异倍数 10 倍，但 read 数太少，谁信呢？所以还需要 统计显著性（p 值）来把关。
实际项目中，我刚接手一批肿瘤数据时，有个同事只按差异倍数排序，找了 300 个「显著」基因。结果用 qPCR 验证，一大半都没重现。为什么？因为他忽略了低表达基因的噪音。这就是典型的「只看倍数，不看 counts」的坑。
| 要素 | 含义 | 常见指标 |
|---|---|---|
| 差异倍数（Fold Change） | 两组表达量的比值 | log₂FC |
| 表达丰度（Abundance） | 基因在样本中的绝对或相对计数 | CPM, FPKM, TPM |
| 统计显著性 | 差异是否由随机误差引起 | p-value, FDR / adjusted p-value |
你可能已经猜到了，大多数差异表达工具都在解决一个核心矛盾：怎么在少量生物学重复下，准确估计基因表达的离散度。嗯，这里要注意，生物学重复太重要了。我见过有人拿 2 个重复就敢跑差异分析，结果一跑出来十有八九是假阳性。这不是工具的问题，是实验设计本身就缺腿。
核心应用场景：你在哪儿会用到它？
差异表达分析几乎是所有转录组项目的「标配第一步」。我从实际项目里总结了几种最常见的场景：
- 疾病 vs 正常对照：寻找致病机制中的关键基因，比如肿瘤中上调的癌基因。
- 处理 vs 对照：药物处理前后，哪些基因响应了？这是在药理学里最常见的用法。
- 时间序列：同一个体在不同时间点的表达变化，常用于发育生物学。
- 不同组织或细胞类型对比：敲除一个转录因子后，下游哪些靶基因变了。
记得有一次我帮一个做植物抗旱的团队分析数据。他们想知道干旱处理下，某种水稻的根部和叶片分别有哪些基因被诱导。实际上，这类对比分析用到的方法跟肿瘤数据基本上是一样的。只是你的样本数可能更少，所以更需要稳健的统计模型。
常用工具简介：不只是 edgeR 和 DESeq2
你可能会问，为什么要用这么多工具？不能一个算法打天下吗？ 我刚开始也有这个疑问。后来跟一个做统计的老兄聊完才明白——不同的工具，对「离散度」的假设不一样，所以适用的场景也不同。
下面这张 SVG 图可以帮你理清这些工具的「家族谱系」和适用边界。
从图上可以看到，edgeR 和 DESeq2 都属于「基于负二项分布」的工具。这一底层假设非常关键——RNA-seq 计数数据通常远高于均值（过离散），负二项分布正好能描述这种特性。我见过有人把 counts 直接拿去跑 t 检验，结果到处是假阳性。其实只要理解了这个统计特性，你就不会犯这种错。
几行代码感受一下差异分析的味道
下面是 edgeR 的典型工作流。你大概看一眼就行，后面章节会拆开细讲。
library(edgeR)
# 读入 counts 矩阵，行为基因，列为样本
counts <- read.csv("counts.csv", row.names = 1)
group <- factor(c("control", "control", "treat", "treat"))
# 构建 DGEList 对象
dge <- DGEList(counts = counts, group = group)
# 过滤低表达基因
keep <- filterByExpr(dge)
dge <- dge[keep, , keep.lib.sizes = FALSE]
# 归一化
dge <- calcNormFactors(dge)
# 估计离散度
dge <- estimateDisp(dge)
# 差异检验
et <- exactTest(dge)
topTags(et, n = 10)这段代码虽然短，但你仔细看——每一步都有它的道理。过滤是为了去掉那些压根没表达的基因；归一化是修正测序深度和文库组成的偏差；离散度估计是 edgeR 的「秘密武器」。等后面我们讲到参数调整时，你会更清楚为什么这一步这么关键。
选型初判：什么时候用 edgeR，什么时候用 DESeq2？
在实际项目中，我通常这样选：
- 样本重复数少（2-4 个）：我倾向用 edgeR。它在极小样本下的离散度估计更激进一些，有时能捡回一些被错过的基因。
- 样本重复数中等（5-12 个）：DESeq2 的表现通常更稳健，尤其是当你有多个因素（如处理 + 批次）要一起建模时。
- 需要处理复杂实验设计：DESeq2 的广义线性模型（GLM）对多因素、交互效应非常友好。edgeR 也能做 GLM，但语法上我更习惯 DESeq2 的设计。
- 数据量极大（100+ 样本）：我试过跑 DESeq2 在 200 个样本上，慢得让人焦虑。edgeR 加上并行计算，快不少。