4. DESeq2对象创建：DESeqDataSetFromMatrix
做差异表达分析，第一步就是把你的数据喂给DESeq2。很多人一上来就跑DESeq()，结果报错一堆——八成是对象没建对。我个人习惯先从DESeqDataSetFromMatrix这个函数开始，它就像搭乐高的底盘，底歪了后面全歪。
说白了，这个函数就是把三样东西绑在一起：
- 原始计数矩阵（count matrix）
- 样本信息（colData）
- 实验设计公式（design formula）
嗯，听起来简单？但坑不少。我带过一个项目，合作方直接把TPM矩阵扔进去，结果归一化全乱了——因为DESeq2只认整数计数，不接受浮点归一化值。所以先确认你的输入是整数，而且没经过任何文库规模校正。
4.1 函数签名与参数
看看API长什么样：
DESeqDataSetFromMatrix(
countData,
colData,
design,
tidy = FALSE,
ignoreRank = FALSE,
...
)核心参数就三个，后面几个我几乎没用过默认值就够了。但有一个细节：tidy = TRUE时，countData第一列是基因ID，后面才是样本列。我个人不建议开这个选项，容易搞混列索引，显式指定行列名更安全。
4.2 输入数据的格式要求
表格列一下关键点，项目里吃过亏的地方我标红了：
| 输入对象 | 要求 | 常见陷阱 |
|---|---|---|
| countData | 整数矩阵或数据框，行=基因，列=样本 | 出现NA、负数、浮点数（即使是小数也报错） |
| colData | 数据框，行=样本，列=实验变量 | 行名必须与countData列名严格一致，顺序可以不同 |
| design | 公式，如 ~ condition | 因子水平顺序会影响基线，默认按字母序 |
记得有一次，我同事把colData的行名写成了样本barcode但countData的列名是sample_id，两个名字不匹配，函数直接报错“assay colnames not identical to colData rownames”。排查了一个小时。后来我养成了习惯：创建对象前先跑all(colnames(countData) == rownames(colData))，返回TRUE再往下走。
4.3 标准创建流程
我一般按这个步骤来，几乎不会出问题：
- 检查计数矩阵：
mode(counts) == "integer"，没有缺失值，基因名不能重复。 - 对齐样本顺序：虽然DESeq2内部会匹配，但手动对齐能减少一个警告信息。
- 设置因子水平：用
factor()显式指定control组在前，这样结果里的log2 fold change就是处理组相对于对照组。 - 构建对象：一行代码搞定。
来看一个实际例子。假设你的数据来自一个敲除实验，有野生型（WT）和突变型（KO），每个3个重复：
# 1. 计数矩阵（6个样本，1000个基因）
counts_matrix <- read.csv("counts.csv", row.names = 1)
# 确保是整数
counts_matrix <- round(as.matrix(counts_matrix))
# 2. 样本信息
colData <- data.frame(
condition = c("WT","WT","WT","KO","KO","KO"),
row.names = colnames(counts_matrix)
)
# 3. 显式指定因子水平（基线=WT）
colData$condition <- factor(colData$condition, levels = c("WT","KO"))
# 4. 创建DESeqDataSet对象
dds <- DESeqDataSetFromMatrix(
countData = counts_matrix,
colData = colData,
design = ~ condition
)好了，你现在有了一个dds对象。可以用class(dds)确认一下，它同时继承自RangedSummarizedExperiment，所以有很多好用的槽位。
4.4 对象内部结构
创建成功后，对象里装了什么？我画了个简图帮你理解：
图中可以看到，最终对象是一个RangedSummarizedExperiment，里面装着count矩阵、样本注释数据框，以及设计公式。这些信息后续的DESeq()、results()都会用到。
4.5 常见坑与避坑指南
我曾经踩过的坑：
- 计数矩阵里有基因名为NA，DESeq2会报错“rownames cannot contain NA”。用
is.na(rownames(counts))查一下。 - colData的因子顺序没定义，导致
results()出来log2FC符号完全反了——因为默认以字母序第一个作为基线。 - design公式里用了冒号写交互项，但样本量不够时DESeq2会报“design has only one level”。小实验别强求交互。
一个小技巧：
创建对象后立刻跑colnames(dds)和colData(dds)看看匹配情况。我常在DESeqDataSetFromMatrix后面加一行dds <- estimateSizeFactors(dds)来先估算size factor——如果报错“every gene contains at least one zero”，说明你的矩阵里有一半以上的零，需要提前过滤低表达基因。
4.6 为什么不用其他构造函数？
你可能会问，DESeq2还提供了DESeqDataSet、DESeqDataSetFromTximport、DESeqDataSetFromHTSeq。但DESeqDataSetFromMatrix是最通用的——它接受任何整数矩阵，不管是从featureCounts、STAR还是自制pipeline来的。我项目里对接不同来源的数据，全用这个函数，只改读取方式，后处理统一。
举个例子，如果你用tximport导入salmon定量结果，可以用DESeqDataSetFromTximport，但那个函数底层最终还是调用了DESeqDataSetFromMatrix。所以理解核心的Matrix版本，其他都是衍生。
4.7 创建后必须做的检查
不是建完对象就万事大吉了。我建议至少确认三点：
# 1. 查看样本统计
summary(colData(dds))
# 2. 查看每个基因的中位数计数
median_count <- apply(counts(dds), 1, median)
summary(median_count) # 很多基因中位数为0？需要过滤
# 3. 是否有大量全部为0的基因
table(apply(counts(dds), 1, function(x) all(x == 0)))
# 如果太多，考虑去除，否则影响后续拟合我曾经接手一个单细胞数据转伪bulk的表达矩阵，没做低表达过滤，结果DESeq2跑了一天没跑完。后来把rowSums(counts(dds) >= 10) >= 3的基因留下，速度提升了10倍。嗯，这个经验值钱了。
4.8 与edgeR对比：从数据结构角度
虽然这章讲DESeq2，但我觉得有必要提一嘴edgeR的构造方式，免得切换工具时晕头转向。edgeR用DGEList(counts, group)创建对象，结构更扁平，没有design formula的概念——它是在后续的model.matrix里指定。而DESeq2把design直接绑定在对象里，后面不能随便改（除非重建）。所以如果你还在实验设计阶段举棋不定，我个人建议先用DGEList做探索性分析，确定了模型再转DESeq2也行。
但话说回来，一旦你决定用DESeq2，就踏踏实实把DESeqDataSetFromMatrix这一步做扎实。对象建好了，后面就是一句dds <- DESeq(dds)的事。别再回头改计数矩阵了，相信我——data integrity比什么都重要。