📚 课程目录第1章课程介绍

第1章课程介绍

好，咱们正式开始。《Python Dash交互式差异表达报告教程》。这门课讲什么？说白了，就是教你把枯燥的差异表达分析结果，变成一个能拖、能拽、能交互的Web应用。你想想看，一份满是P值和log2FC的表格，跟一个带火山图、热图、可筛选、可下图的仪表盘，哪个更受老板和合作者欢迎？

我刚开始做生物信息学那会儿，每次出结果都附上一堆静态PDF。直到有一次，合作方想调一下P值阈值看看基因列表变化，我愣是重新跑了三遍流程。嗯，从那时起我就下定决心——必须得做交互式报告。所以这门课的核心目标只有一个：让你用Python和Dash，一键生成能看、能玩、能共享的差异表达报告。

差异表达分析概述

差异表达分析，我倒觉得它更像一个统计学侦探游戏。你手上有两组样本——处理组和对照组——然后问：哪些基因的表达水平发生了显著变化？

流程大致是这样的：

输入：基因表达矩阵（比如FPKM、TPM、Counts），加上样本分组信息。
核心计算：对每个基因做统计检验（常用DESeq2、edgeR、limma）。算出一个P值，一个倍数变化（Fold Change）。
输出：一张差异表达基因列表，附带P值、调整后P值、log2FC、上下调标记。

我在项目中遇到过最典型的坑是什么？多重假设检验校正。你手上有两万个基因，纯按P<0.05来筛选，哪怕全是无效基因，也能随机蹦出来一千个“显著”的。所以一定要看调整后P值，也就是FDR（False Discovery Rate）。

小提示：我个人习惯先看log2FC的分布，再定阈值。比如log2FC > 1 且 FDR < 0.05，具体阈值得根据实验设计来调，没有铁律。

# 典型差异表达分析结果（CSV格式示例）
gene_id,baseMean,log2FoldChange,lfcSE,stat,pvalue,padj,regulation
GeneA,1024.5,3.21,0.45,7.13,1.2e-12,5.6e-10,up
GeneB,512.3,-2.15,0.38,-5.66,3.4e-08,8.9e-06,down
GeneC,2048.1,0.12,0.21,0.57,0.568,0.782,ns

Dash框架简介

Dash是什么？它是Plotly公司出的一个Python框架。你在别的教程里可能见过它跟Flask、Bokeh做对比。我的观点很直接：Dash是做交互式数据仪表盘最省心的选择。为什么呢？

纯Python写前端，你不需要懂JavaScript、HTML、CSS。嗯，懂一点更好，但不是必须的。
跟Plotly绑定，画图太方便了。火山图、热图、散点图，一行fig.update_layout()就能改交互。
回调机制（@app.callback）清晰，数据流好理解。

我自己在搭建Dash原型时，感受最深的是它的反应式编程模型。你声明一个回调函数，输入是组件的属性，输出也是组件的属性。框架帮你自动监听变化。说白了，你不需要写事件循环，Dash全包了。

    核心概念：
    Layout：页面的骨架结构。由各种HTML组件（html.Div、html.H1、dcc.Graph）组成。
Callbacks：响应式逻辑。当用户操作某个组件时，回调被触发，更新其他组件。
State：组件的当前状态，比如下拉框选中的值、输入框的文本。

# 最简单的Dash应用骨架
from dash import Dash, html, dcc, Input, Output

app = Dash(__name__)

app.layout = html.Div([
    html.H1("差异表达报告"),
    dcc.Dropdown(
        id='gene-dropdown',
        options=[
            {'label': 'GeneA', 'value': 'GeneA'},
            {'label': 'GeneB', 'value': 'GeneB'},
        ]
    ),
    dcc.Graph(id='volcano-plot')
])

@app.callback(
    Output('volcano-plot', 'figure'),
    Input('gene-dropdown', 'value')
)
def update_plot(selected_gene):
    # 这里写你的绘图逻辑
    return fig

if __name__ == '__main__':
    app.run(debug=True)

上面的代码就能跑起来。你选一个基因，火山图立刻更新。这就是我喜欢的风格：简单、直接、有效。

课程目标与前置知识

这门课不教你怎么做差异表达分析本身——那些算法（DESeq2、edgeR）你可以在别处学。我们聚焦在如何把分析结果变成交互式Web报告。

目标	说明
掌握Dash核心组件与回调	能独立搭建多页面交互应用
整合差异表达数据	能读入CSV/TSV，处理多基因对比
绘制交互式火山图/热图	用Plotly实现筛选、高亮、联动
部署交互式报告	本地演示 & 服务器部署

前置知识？你需要：

Python基础：能写函数、会用Pandas、了解列表推导式。
统计学基础：知道P值、FDR、倍数变化的概念。不要求推导公式。
一点点耐心：调试交互式应用有时候会卡住，别慌。

注意：我曾经见过有人用桌面端Python 2.7跑Dash，结果回调死活不触发。检查发现是版本不兼容。请确保你使用Python 3.7+和Dash 2.0+。版本不对，后面全是坑。

课程结构导览

这章是第1章，先给你画个全景图。下面这张SVG图展示了我们从数据到部署的整条链路：

从上往下看，链路很清晰：

数据输入：差异表达分析的输出文件。
数据清洗：用Pandas读进来，做合并、过滤、标准化。
交互构建：用Dash组装组件和回调。
可视化输出：火山图、热图、数据表。
联动逻辑：用户操作一个图，其他图跟着变。
最终部署：让报告能被别人访问。

📚 课程目录

第1章 课程介绍

差异表达分析概述

Dash框架简介

课程目标与前置知识

课程结构导览

第1章课程介绍