📚 课程目录第1章引言

引言：什么是差异表达分析

刚入行那会儿，我第一次接触RNA-seq项目，老板扔过来一个矩阵——基因名排成行，样本名列成列，每个格子都是个计数。他说：“跑一下差异表达，把上调下调的基因给我。”我当时以为就是做个除法、算个p值那么简单，结果一上手才发现，坑比想象中多得多。

什么是差异表达分析？说白了，就是比较两组（或多组）样本中，基因表达水平是否有显著差异。比如对照组vs处理组，或者肿瘤组织vs正常组织。我们关注的不是绝对表达量高低，而是两组之间的变化是否可靠、是否具有生物学意义。

核心问题：这个基因在A组平均表达量是10，在B组是100，看起来差10倍——但这个差异是真实的，还是由批次效应、测序深度不均、技术误差造成的？差异表达分析就是要给出统计学上的回答。

为什么I会单独拿PCA图来评估可靠性？

我见过太多新手扔出差异基因列表就交差，完全不管下游验证是否站得住脚。我个人习惯是：在做任何差异分析之前，先画一个PCA图。为什么？因为PCA能直观暴露出数据里的大问题——样本聚类是否正常、有没有离群点、批次效应是否严重。

举个例子。有一次我处理一个公共数据库的RNA-seq数据，三组样本，每组三个重复。跑完count矩阵后直接做DESeq2，结果差异基因哗啦啦出来几百个。但我不放心，先画了个PCA——好家伙，六个样本全混在一起，根本看不到分组趋势。仔细一查，是样本标签写反了。如果没有PCA这一步，我可能会推出一堆假阳性结果，那可就丢人了。

我的经验：PCA图是我每次差异分析流水线上的第一道质检关。没通过PCA的检查，后面的一切差异结果我都不敢信。

差异表达分析的常规流程

差异表达分析一般分几个阶段。我用一个表格总结下常见的步骤和工具，方便你有个整体印象。

阶段	核心操作	常用工具/包
数据预处理	质量控制、去接头、比对、定量	FastQC, Trimmomatic, STAR, Salmon
计数矩阵构建	生成基因-样本计数表	featureCounts, htseq-count
归一化	消除测序深度、转录本长度等系统偏差	TPM, FPKM, TMM (edgeR), median-of-ratios (DESeq2)
差异检验	基于统计模型计算p值、log2FC	DESeq2, edgeR, limma-voom
多重假设校正	控制假阳性率（FDR）	BH (Benjamini-Hochberg), q-value
结果可视化与评估	火山图、热图、PCA图、MA图	ggplot2, pheatmap, PCAtools
生物学解释	GO/KEGG富集分析、蛋白互作网络	clusterProfiler, DAVID, STRING

你会发现，PCA图被列在“结果可视化与评估”阶段。但我个人习惯把它提前到归一化之后、差异检验之前——先看看数据是否干净，再做统计推断。

PCA到底在看什么？

PCA（主成分分析）是一种无监督降维方法。它把高维表达数据（一个样本可能测到两万个基因）压缩成少数几个主成分，然后用前两个或三个主成分画散点图。每个点代表一个样本，点与点的距离反映转录组层面的相似程度。

正常情况下，生物学重复应该聚在一起；不同实验组应该自然分开。如果样本按已知分组完美聚类，那差异分析大概率会得到可靠的结果。如果分组混乱，说明数据里混杂了更大的变异来源——比如批次效应、细胞类型比例差异、或者根本就是样本搞混了。

警告：不要以为PCA图好看就万事大吉。PCA只能反映最大方差方向，小但重要的生物学差异可能在后续主成分上才显现。另外，PCA对离群点非常敏感，一个坏样本就足以扭曲整个PC1方向。所以看PCA时要配合统计指标（如各主成分方差解释率）一起判断。

一个简单的PCA案例（代码片段）

我用R语言演示一下最基础的PCA画图流程。假设你已经有一个归一化的表达矩阵 expr_matrix，行是基因，列是样本；还有一个 metadata 表包含样本分组信息。

# 加载包
library(ggplot2)
library(PCAtools)

# 转置：PCA要求样本为行，基因为列
pca_input <- t(expr_matrix)

# 计算PCA
pca_result <- prcomp(pca_input, center = TRUE, scale. = FALSE)

# 提取主成分得分
pca_df <- as.data.frame(pca_result$x)
pca_df$group <- metadata$group  # 添加分组信息

# 计算方差解释率
var_explained <- round(100 * pca_result$sdev^2 / sum(pca_result$sdev^2), 1)

# 绘制PC1 vs PC2
ggplot(pca_df, aes(x = PC1, y = PC2, color = group)) +
  geom_point(size = 3, alpha = 0.8) +
  stat_ellipse(aes(fill = group), geom = "polygon", alpha = 0.1) +
  labs(x = paste0("PC1 (", var_explained[1], "%)"),
       y = paste0("PC2 (", var_explained[2], "%)"),
       title = "PCA of RNA-seq samples") +
  theme_minimal()

运行这段代码，你会看到像下面这样的结构关系图。我来画一个概念性的SVG，把PCA的核心逻辑串起来——这样你记起来更容易。

哪些因素会导致PCA图“翻车”？

我自己总结了几类常见问题，一旦PCA上出现这些特征，你就要小心了：

所有样本混成一团——分组间差异太小，或者测序深度、文库复杂度差异太大盖过了生物学信号。解决办法：重新归一化或检查测序质量。
重复样本离散度过大——说明技术重复或生物学重复之间不一致，可能是RNA质量差、建库批次效应或测序深度不均。我遇到过一次，同一个样本的两个技术重复一个在左上一个在右下，结果是反转录步骤污染了。
某个分组完全与另一个分组重叠——要么是这个分组没有特有表达特征，要么是分组标签给错了。我曾经有一组处理组的样本反而和对照组聚在一起，后来发现是给药浓度搞混了。
PC1方差解释率超级高（>90%）——不一定全是好事，可能数据里有一个极强的主成分（比如批次效应或细胞周期差异）压过了所有生物学信号。这时候要先跑一跑limma的removeBatchEffect。

避坑指南：我建议在所有差异分析项目里，把PCA图的生成写成脚本的一部分，强制在运行差异检验之前先输出。不要手动去点UI画图——写成自动化流程，每次跑数据就会自动出图，你扫一眼就能决定要不要往下走。

本章小结：PCA是差异分析的门神

你不是在“画PCA图”这件事上花功夫，而是在给差异分析的可靠性设立第一道防线。没有这道防线，后面所有的p值、倍数变化、富集结果都可能是建立在沙上的城堡。

这套课程里，我们会一步一步把PCA图的每个细节抠清楚——从数据准备到主成分解释到用PCA筛选差异候选基因。我手上有几个真实项目翻车的案例，后面会拿出来给你看，让你一次记住所有坑。

嗯，先搞清楚概念，下节我们直接上手实操。