差异表达分析基本概念：log2倍变化、平均表达量
好，咱们进入正题。要理解 MA 图，得先把两个基本指标说透：log2 倍变化和平均表达量。说白了，一个告诉你基因表达涨了多少倍，另一个告诉你这个基因本身的表达水平高不高。我刚开始做 RNA-seq 那会儿，常常只看 fold change 就激动，结果掉进低表达基因的坑里，后来才明白这俩得放一起看。
1. log2 倍变化 – 涨跌尺度
差异表达分析里最核心的概念就是「倍变化」(Fold Change, FC)。简单说，就是处理组表达量除以对照组表达量。但直接拿原始比值做分析很麻烦——上调 2 倍和下调 2 倍在数值上不对称（2 vs 0.5），而且倍数分布极度右偏。于是我们取 log₂ 变换，把乘法变为加法，对称性就出来了。
定义：log₂FC = log₂(处理组表达量 / 对照组表达量)
或者写成：log₂FC = log₂(处理组) – log₂(对照组)
举个例子，处理组 CPM=100，对照组 CPM=25，那么 log₂FC = log₂(100/25) = log₂(4) = 2。上调 4 倍就是 +2，下调 4 倍就是 –2，完美对称。我个人很喜欢这种镜像关系，在后续可视化里特别直观。
常见的倍数值对照表如下：
| 倍数变化 (FC) | log₂FC | 生物学含义 |
|---|---|---|
| 0.25 | –2 | 下调 4 倍 |
| 0.5 | –1 | 下调 2 倍 |
| 1 | 0 | 无差异 |
| 2 | 1 | 上调 2 倍 |
| 4 | 2 | 上调 4 倍 |
| 8 | 3 | 上调 8 倍 |
为什么要用 log₂ 而不是自然对数？
因为 log₂ 的每单位变化对应“翻倍”或“减半”，生物学家和白板图最吃这一套。我习惯在报告中直接标 log₂FC，听众秒懂。
不过有个坑要提前说——当某个样品表达量为 0 时，log₂(0) 是负无穷。我曾经在项目里因为没做 pseudo-count 处理，直接导致几十个基因掉了。所以实践中通常会给所有计数加一个小常数（比如 0.5 或 1），再取对数。
# Python 伪代码：计算 log2FC 和平均表达量（添加 pseudo-count）
import numpy as np
cpm_ctrl = np.array([25, 48, 0.2])
cpm_treat = np.array([100, 24, 0.0])
pseudo = 0.5
log2_ctrl = np.log2(cpm_ctrl + pseudo)
log2_treat = np.log2(cpm_treat + pseudo)
log2FC = log2_treat - log2_ctrl
ave_log2 = (log2_ctrl + log2_treat) / 2
print("log2FC:", log2FC)
print("AveLog2:", ave_log2)2. 平均表达量 – 基因的“底噪”坐标
MA 图里的 A 代表 average，也就是两个条件下平均的 log₂ 表达量。计算公式很简单：
A = (log₂(处理组) + log₂(对照组)) / 2
这个值有什么意义？你想想看：一个低表达基因（比如 CPM=0.5）和一个高表达基因（CPM=500），它们的 log₂FC 可能都是 1，但低表达基因的测量噪音要大得多。A 值就像坐标轴的“底盘”，帮我们区分哪些差异是可靠的。
我个人做差异分析的第一步，就是先用 A 值过滤掉那些平均表达量太低的基因（比如 A < 0.5 或 A < 1），不然 MA 图上会飘出一大片假阳性。这是我在一个线虫项目里吃了亏才学乖的。
注意：平均表达量必须在同一尺度上计算。两个样本的测序深度不同，不能直接拿原始 counts 取平均。必须先用 CPM、TPM 或 RPKM 归一化。我见过有人硬怼 raw counts，结果 A 值完全歪了。
3. log₂FC 与平均表达量联手：MA 图的灵魂
好了，现在我们有 M = log₂FC，有 A = 平均 log₂ 表达量。把每个基因的 (A, M) 点画在二维平面上，就是 MA 图。这张图的核心逻辑是：基因的差异倍数（M）与其表达强度（A）之间通常存在依赖关系。
咱们用一张 SVG 来画清楚这个关系：
从图里可以读出几条经验规律：
- A 值越小（左侧），散点越“炸”——低表达基因的 log₂FC 波动极大，很多都是假阳性。我建议对于 A < 1 的基因，直接砍掉，除非你有很强的先验知识。
- A 值中等偏大时，差异倍数趋于稳定——此时 M 的变异主要来自生物学差异，噪音干扰小。
- 上调 / 下调基因通常分布在 M 轴的上下两端，但需要结合统计学检验（p 值、FDR）才能确认显著性，光看 log₂FC 阈值（比如 |M|>1）是不够的。
4. 实践流程与避坑指南
我们做一个完整差异表达分析时，通常按这个步骤来：
| 步骤 | 做什么 | 涉及指标 |
|---|---|---|
| 1 | 归一化（CPM/TPM/FPM） | 文库大小、基因长度 |
| 2 | 添加 pseudo-count 并取 log₂ | 处理 0 表达 |
| 3 | 计算 log₂FC 和平均表达量 A | M、A |
| 4 | 绘制 MA 图，过滤低 A 基因 | A 阈值（如 A>0.5） |
| 5 | 统计检验（如 edgeR、DESeq2） | p 值、FDR |
| 6 | 结合 M 和 p 值判定差异表达基因 | |M|>1 & FDR<0.05 |
曾经有个坑：我在一个客户项目里直接用原始 count 算 log₂FC，结果发现某个管家基因的 log₂FC 高达 5，兴奋了半天。后来才想起来，那个样品的测序深度差了 10 倍，根本没有归一化。从那以后，我每次跑差异分析前，必先检查文库大小和归一化方法。
另外，不要迷信固定的 log₂FC 阈值。有些人喜欢设 |M|>1（即 2 倍变化）作为显著，但我在单细胞数据里经常看到真实差异只有 1.5 倍（M≈0.58），而某些高表达基因的噪音也能产生 2 倍差异。所以我更倾向于用统计模型（如 DESeq2 的倍数收缩）给 M 值做一次“去噪音”处理，再画 MA 图——那才是真正干净的图。
一个小技巧：在 MA 图上叠加颜色或大小表示 p 值，可以一眼看到哪些点既变化大又统计显著。我常用 Python 的 matplotlib 配合 scatter plot，alpha 设低一点，再把显著基因用高饱和色突出。
好了，log₂FC 和平均表达量这两个概念讲完了。它们就像 MA 图的左右脚，缺一不可。下一部分咱们会正式进入 MA 图的绘制和解读，到时候这些概念会派上大用场。