第1章 RNA-seq技术概述：它是什么，用在哪，为什么这么火
1.1 什么是RNA-seq？说白了就是给所有RNA分子拍一张“快照”
各位好，咱们开始这门课的第一讲。RNA-seq，全称RNA测序，我觉得最好的理解方式是用一个比喻：它就像是在某个特定时刻，给一个细胞里所有正在活跃表达的RNA分子拍一张高清快照。
你想想看，传统的分子生物学方法，比如Northern blot或者qPCR，一次只能看那么几个基因。这就像拿着一根吸管去大海里取水，只能分析一小部分。而RNA-seq不一样，它用高通量测序技术，把样本里所有的RNA（或者至少是大部分）一口气读完。
我记得刚入行那会儿，花了一个月跑qPCR验证十几个基因。现在用RNA-seq，一次实验就能拿到两万多个基因的表达数据。这差距，真不是一点半点。
具体的技术原理，咱们快速过一下：
- RNA提取：从组织或细胞里把总RNA抽出来。
- mRNA富集或rRNA去除：因为核糖体RNA（rRNA）占了总RNA的80%以上，不处理掉它，测序数据里全是垃圾信息。
- 文库构建：把RNA打断成小片段，反转录成cDNA，加上接头。
- 测序：上机跑测序，得到数百万甚至上亿条短序列（reads）。
- 比对与定量：把这些reads比对到参考基因组上，数一数每个基因上覆盖了多少reads。
一点经验：我个人习惯在文库构建这一步特别留意RNA的完整性。如果RIN值（RNA完整性指数）低于7，后面的差异分析结果会很不靠谱。我曾经有个项目，样本质量没把好关，结果差异基因列表里混进去一堆降解片段，浪费了两周时间重跑。
这样一来，每个基因的表达量就被量化成一个数字——通常是FPKM、RPKM或者TPM。有了这个数字矩阵，咱们才能做后续的差异表达分析。这就是RNA-seq能做的核心贡献：把复杂的生物状态，变成一张可以计算的数字表格。
1.2 应用场景：这东西到底能解决哪些实际问题？
真实项目中，我遇到过各种奇奇怪怪的问题，但RNA-seq能搞定的事情，大致可以分为以下几类：
| 应用方向 | 核心问题 | 典型场景 |
|---|---|---|
| 差异表达基因筛选 | 两组样本之间，哪些基因的表达水平发生了显著变化？ | 疾病组vs健康组；处理组vs对照组 |
| 新转录本发现 | 基因组上有没有我们以前不知道的新基因或新剪接形式？ | 非模式生物；肿瘤特异性转录本 |
| 可变剪接分析 | 同一个基因，在不同条件下会不会产生不同的剪接异构体？ | 神经发育；癌症中的外显子跳跃 |
| 等位基因特异性表达 | 来自父母的两个等位基因，表达量是否均衡？ | 印记基因研究；杂合突变功能分析 |
| 单细胞RNA-seq | 组织中每个细胞各自的表达谱是什么样的？ | 细胞异质性；发育轨迹推断 |
说实话，大部分做RNA-seq的人，最关心的还是第一项差异表达基因筛选。这也是咱们这门课的核心。后面所有的可视化技巧，本质上都是在帮你回答一个关键问题：这些差异表达基因，到底在讲一个什么样的生物学故事？
举个例子，我参与过一个肝癌项目。我们取了20对肿瘤和癌旁组织，做了RNA-seq。跑完差异分析，发现一个叫GPC3的基因在肿瘤里高表达了好几倍。如果没有可视化工具，光是面对一张密密麻麻的差异基因Excel表，你很难一眼盯住这个基因。但画一个火山图，那个点远远地就飘在右上角，非常扎眼。这就是可视化的力量。
1.3 优势在哪里？为什么它能替代芯片？
很多新人会问：以前不是有基因芯片（microarray）吗？为什么现在大家更愿意用RNA-seq？我把它们的区别整理成了一个表格，你看完心里就有数了。
| 对比维度 | RNA-seq | 基因芯片（Microarray） |
|---|---|---|
| 检测范围 | 全转录组，无偏向性 | 只能检测探针上预设的基因 |
| 灵敏度和动态范围 | 可检测到低丰度转录本；动态范围可达10^5 | 灵敏度受限，背景噪声高；动态范围约10^3 |
| 新发现能力 | 能发现新转录本、新剪接形式 | 不能发现预设之外的序列 |
| 技术重复性 | 批次效应需要谨慎处理，但生物学重复可靠性高 | 重复性较好，但批次效应同样存在 |
| 成本 | 初始成本高，但测序深度灵活性大 | 单样本成本较低 |
| 数据分析难度 | 存储量大，分析流程复杂，对计算资源要求高 | 分析相对简单，数据量小 |
你看，RNA-seq最核心的优势就是不带预设。芯片就像是你带着一张菜单去点菜，只能点菜单上有的。而RNA-seq是把整个厨房翻一遍，有什么菜一目了然。
1.4 一个核心概念：为什么说RNA-seq是“数字化”的？
这里我特别想强调一点：RNA-seq产生的数据本质上是计数数据（count data）。什么意思呢？就是每个基因上的reads数是一个整数，比如某个基因在样本A里有158条reads，在样本B里有21条reads。这个数字是离散的、非负的。
这一点对我做下游分析帮助很大。因为计数数据不符合正态分布，你不能直接套用t检验或者常规的线性回归。这也是为什么差异表达分析需要用专门的统计模型——比如DESeq2里的负二项分布——来处理。
重要提醒：很多人拿到RNA-seq数据，上来就做log2转换然后跑t检验。这是个常见的坑。我曾经在一个合作项目里看到初稿里用t检验跑差异基因，结果假阳性率奇高，后来改用DESeq2重新跑，差异基因数量砍掉了三分之二，但生物学验证的命中率提升了好几个量级。
1.5 本章的知识框架：一图厘清关系
下面这张SVG图，帮你把这章的核心逻辑串起来。它展示了RNA-seq从实验设计到差异表达可视化的全流程。后续每一章都会围绕这其中的某一个环节展开。
1.6 一个小总结：这门课的核心思想
到这，你应该已经理解了RNA-seq是什么、能做什么、以及它与传统技术的差异。别小看这个准备——后续所有的可视化工作，都建立在这个基础上。
我从自己的项目经验里总结出一条心得：数据质量决定了分析的下限，可视化能力决定了表达的上限。同样的差异基因列表，有人画出来的图能直接用于论文投稿，有人画出来的连自己都看不懂。这门课就是帮你提升后面这个能力。
特别提醒：在做任何可视化之前，一定先确认你的表达矩阵是原始count还是已经做过归一化。我曾经遇到过一个团队，用TPM矩阵跑差异分析，结果画出来的箱线图全超出了正常范围。后来发现跑流程时忘了设置raw counts参数。这个坑，希望你别踩。
好了，第一章节的内容就是这样。记住一个核心结论：RNA-seq不是终点，差异表达分析也不是终点，真正让数据产生价值的是你最后呈现出来的那张图。