1. 课程概述：为什么选择DESeq2和edgeR进行RNA-seq可视化？

刚接触RNA-seq那会儿，我一度很困惑。拿到一个计数矩阵，几万行基因，几十个样本，怎么才能从这些数字里看出生物学故事？后来慢慢明白，光靠p-value列表是不够的——你得把数据「画」出来，才能看到全貌。而说到RNA-seq的可视化，有两个工具绕不过去：DESeq2和edgeR。

这两个名字你肯定听过。但为什么要学它们？市面上工具那么多，凭什么它们成了RNA-seq可视化的事实标准？这章我就跟你聊聊背后的道理。

1.1 RNA-seq数据到底特别在哪？

你想想看，RNA-seq数据不是普通连续数值。它是离散的计数——每个基因在每个样本里被测序仪捕获了多少次。这个特性带来一个麻烦：过离散（overdispersion）。

什么意思？简单说，就是数据的变异比标准泊松分布预期的要大得多。我记得第一次做差异分析时，直接用泊松模型跑了一轮，结果假阳性多到没法看。后来才搞清楚——RNA-seq数据的方差-均值关系不是线性的，低表达基因噪音大，高表达基因稳定一些。

这就引出一个核心问题：用什么统计模型来描述这种计数数据？

• 泊松分布：假设均值等于方差，对RNA-seq来说太理想化
• 负二项分布：引入离散参数，允许方差大于均值，更贴近真实
• 其他方法：如非参数检验、对数转换+线性模型，但要么不够灵敏，要么丢失了计数结构

1.2 负二项分布：DESeq2和edgeR的共同根基

负二项分布有两个参数：均值（mu）和离散度（dispersion）。DESeq2和edgeR都用这个框架，但它们在如何估计离散度上走了不同的路。

我个人习惯把这个模型想象成「带权重的收缩」。每个基因的方差信息不仅来自自身，还从表达量相近的基因那里「借」一点力量。这在样本量少的时候尤其重要。你只有2-3个重复，直接算方差根本不靠谱——收缩估计能救命。

下面这个表帮你快速看清两家底层的差异：

特性	DESeq2	edgeR
模型核心	负二项 + 稳健离群值处理	负二项 + 精确检验/似然比检验
离散度估计	经验贝叶斯收缩（先验+似然）	经验贝叶斯 + 加权似然
归一化方法	median of ratios	TMM（trimmed mean of M-values）
处理小样本	稳健，3个重复就能跑	也可以，但离散度估计波动稍大
检验方法	Wald test + LRT	exact test + glmQLFTest + LRT

1.3 各有千秋：DESeq2 vs edgeR 核心差异

说实话，两个工具90%的分析结果高度一致。但在某些场景下，它们各有独到之处。

DESeq2的强项：它对离群值的处理非常稳健。我在项目中遇到过一组样本，其中一个重复明显因为建库问题产生了异常读数。DESeq2自带的离群值替代机制（如果某个基因在某个样本里异常高/低，会自动用Cook's distance标记并替换）让分析没有崩掉。换edgeR的话，得手动处理这个样本。

edgeR的强项：它的检验框架更灵活。尤其是glmQLFTest（准似然比检验），在处理多因素设计和相互作用效应时，我觉得比DESeq2的LRT更直接一些。另外，edgeR对超大规模数据（几百个样本）的计算效率通常更高。

来看一个简单的加载和可视化示例，感受一下两种工具的风格差异：

library(DESeq2)
dds <- DESeqDataSetFromMatrix(countData = counts,
                               colData = metadata,
                               design = ~ condition)
dds <- DESeq(dds)
res <- results(dds)
plotMA(res, ylim = c(-5, 5))

library(edgeR)
dge <- DGEList(counts = counts)
dge <- calcNormFactors(dge)
design <- model.matrix(~ condition)
dge <- estimateDisp(dge, design)
fit <- glmQLFit(dge, design)
qlf <- glmQLFTest(fit, coef = 2)
plotMD(qlf)

看到没？流程高度相似——数据准备、归一化、建模、检验、画图。但每一步的默认选择和参数设计不同，导致最终结果的稳健性和解读方式有差异。

1.4 可视化：从数据到故事的桥梁

差异基因列表只是起点。我常说一句话：「p-value告诉你差异是否显著，图告诉你差异是否漂亮」。

可视化在RNA-seq分析中扮演三个角色：

1. 质控可视化：PCA图、样本聚类热图、counts分布箱线图——帮你判断数据质量、批次效应、离群样本
2. 差异表达可视化：MA图、火山图、热图——展示差异基因的整体分布和表达模式
3. 结果解读可视化：单个基因的表达箱线图、GO富集图、GSEA曲线——把数据翻译成生物学结论

DESeq2和edgeR都内置了核心绘图函数（plotMA / plotMD、plotPCA / plotMDS、heatmap.2 / pheatmap配合），但真正好用的可视化往往需要你手动组合ggplot2、pheatmap、ComplexHeatmap等扩展包。

1.5 选择框架：什么时候用谁？

你不必在项目开始前就「站队」。我自己的做法是：

• 探索性分析：两个都跑一下，看看结果是否一致。如果差异基因列表重合度低于80%，说明数据可能有隐藏问题
• 正式报告：选一个作为主要工具，另一个作为验证。我个人在论文里常用DESeq2，因为它的离群值处理机制让审稿人更放心
• 复杂设计：多因素、时间序列、配对样本——edgeR的glmQLFTest框架更顺手
• 超大规模数据（>100样本）：edgeR计算速度更快，内存占用更低

下面这张图总结了我自己用的决策逻辑：

从这张图你可以看到，两条路径最终汇聚到可视化与生物学解读。也就是说，不管你选了哪个工具，可视化都是把统计结果转化为科学结论的关键一步。而这正是这门课要带你深入的地方。

1.6 避坑指南：我踩过的几个坑

最后分享几个我用这两个工具时踩过的坑，希望能帮你省点时间：

• 归一化方法不同导致结果差异——DESeq2的median of ratios vs edgeR的TMM，虽然思路相近，但在某些极端数据（比如大量零表达基因）下会给出不同的标准化因子。我曾经因为没注意到这一点，在两个工具之间反复调试，浪费了三天。解决办法：检查normalization factor的分布，如果差异过大，手动排查低表达基因的过滤阈值。
• 离群值处理机制不同——DESeq2会自动替换离群值，edgeR不会。如果你用edgeR，一定要跑plotMDS检查样本聚类，手动剔除异常样本。
• 不要盲目相信默认参数——尤其是离散度估计的minDisp参数。我在一个低生物学变异的项目中，edgeR的默认离散度下限不够低，导致假阳性增加。调低minDisp后结果才合理。
• 可视化不只是为了论文插图——我建议在分析的每个阶段都画图：原始counts分布、标准化后的PCA、差异基因的MA图、关键基因的表达箱线图。画图的过程就是发现问题的过程。