第1章：课程概述与目标
老实说，市面上讲DESeq2和edgeR的教程不少，但专门把可视化效果拎出来对比的，还真不多见。我早些年做RNA-seq项目时，就踩过这个坑——两组数据分别跑了两种工具，出来的图长得不一样，差点以为自己代码写错了。后来才明白，这两兄弟的内部计算逻辑不同，画出来的东西自然各有脾气。
这门课就是来解决这个问题的。咱们不聊虚的，直接拿真实的差异表达数据说话，把两个工具的可视化输出摆在一起，一张张图拆开看。
1.1 这门课到底讲什么
简单概括，就是手把手带你读懂DESeq2和edgeR的每一张图。从最基础的MA-plot、volcano plot，到更复杂的PCA、heatmap，再到交互式图表，我都会拿实际项目中的案例来对比。
举个例子，我们拿到同一组RNA-seq数据，用DESeq2和edgeR分别跑差异分析，然后画出火山图。这时候你会发现——
- 两张图的整体趋势很像，但显著基因的数量可能有差异
- 某些基因的p-value在两个工具里计算出来不一样
- 同一个差异表达的阈值，筛选出的基因列表可能差了几百个
这些问题，说实话，光看官方文档解决不了。你需要有人告诉你：为什么会有这些差异？怎么判断哪个结果更靠谱？ 这就是这门课的价值所在。
1.2 学习目标
学完这门课后，我希望你能做到以下几点：
- 独立看懂DESeq2和edgeR生成的每一种可视化图表
- 准确理解两张同类图表之间的差异来源（是算法造成的？还是参数设置的问题？）
- 灵活选择在不同场景下该用哪个工具、哪个可视化方案
- 熟练复现课程中所有的代码示例，跑通自己的数据
- 有效避坑——这个我经验比较多，比如我曾经因为忘了设置正确的对照组，画出来的热图全部是反的...嗯，这种低级错误后面会专门讲怎么避免
1.3 前置知识要求
这门课面向的是有一定基础的生信从业者或研究人员。你需要具备以下条件：
| 知识领域 | 具体要求 |
|---|---|
| R语言基础 | 会使用RStudio，了解数据框操作、基本的绘图函数（ggplot2最好用过） |
| RNA-seq分析 | 了解转录组测序的基本流程，知道count matrix是什么 |
| 统计基础 | 理解p-value、FDR、log2 fold change这些概念的含义 |
| 深度学习 | 不需要！别听到“深度学习”就慌，这门课不涉及神经网络 |
我在项目中遇到过的最常见的坑：很多同学以为学会了安装包、跑完代码就等于会用工具了。实际上，可视化才是真正检验你数据分析质量的关键步骤。一张不合格的火山图，可能让你的审稿人直接拒稿。所以，哪怕你前面几个步骤都是复制粘贴的代码，至少要把图看懂。
1.4 课程结构一览
整个课程共30章，但不用担心，内容是按模块组织的。我先给你画一张结构图，帮你快速建立全局观——
我个人建议：别跳过基础模块直接去看火山图对比。我曾经见过一位同学，上来就copy了一份高级可视化代码，结果因为不懂数据标准化方式的不同，两张图画出来完全没法对比。打好基础，后面你会感谢自己的。
1.5 怎么用这门课效果最好
每个章节我都安排了这样的结构：
- 核心知识点讲解：先讲清楚这张图/这个工具的核心逻辑
- 代码实战：给出可直接运行的R代码，配套示例数据
- 可视化效果对比：同一张图，DESeq2怎么画vs edgeR怎么画
- 避坑指南：我曾经在这个环节犯过的错误，以及正确做法
重要提醒：课程中所有代码都使用Bioconductor最新版本（≥3.18）。如果你用的是老版本R（≤4.0），部分API可能会报错。建议先更新环境，避免因为版本问题卡住。
更新命令很简单：
if (!requireNamespace("BiocManager", quietly = TRUE))
install.packages("BiocManager")
BiocManager::install(version = "3.18")1.6 预期收益
说实话，学完这门课你并不会变成一个「全能生物信息学家」。但你会成为那个——
拿到审稿人意见说「请对比两种工具的可视化结果」时，不慌不忙打开RStudio，三分钟跑完流程，十分钟生成对比报告的人。
你想想看，在组会上，当别人还在挠头解释「为什么这两张图不一样」的时候，你能直接说出「这是DESeq2的normalization方式导致的差异，换用edgeR的TMM方法后结果就对齐了」——这种专业感，就是这门课想带给你的核心价值。