动手搭建R与RStudio开发环境

环境搭建是所有分析工作的第一步。别小看它，搭好了能省一半的力气。我见过不少初学者在安装配置上折腾好几天，最后还跑不通一个简单的差异分析。

这章我们就来把这个基础打牢。

R是计算引擎，RStudio是前端编辑器。说白了，RStudio就是让R更好用的IDE。没有RStudio，你也能用R，但那体验就像用记事本写代码，想想都难受。

再加上Bioconductor——这在生物信息圈子里是绕不开的。差异表达分析、富集分析、可视化，大半依赖这个生态。

为什么是R和RStudio

你可以用命令行跑R，也可以选其他IDE。但我个人建议直接上RStudio。为什么呢？

• 交互式操作：环境、变量、历史记录全都一目了然
• Shiny集成：在RStudio里开发Shiny应用，预览、调试一步到位
• Git集成：版本控制内置，代码管理方便
• 插件丰富：lintr、styler、reprex，开发效率翻倍

安装R语言

第一步，先把R装上。去CRAN官网下载对应操作系统的版本就行。

我最初用的是Windows，直接点安装包，一路下一步。但注意一点：安装路径不要带中文。为什么？有些包在编译时会报编码错误。

# Windows:
# 下载 https://cran.r-project.org/bin/windows/base/R-4.3.2-win.exe
# 双击安装，选择安装目录（建议C:\R\R-4.3.2）

# macOS:
# 下载 https://cran.r-project.org/bin/macosx/R-4.3.2.pkg
# 双击安装，默认路径是 /Library/Frameworks/R.framework

# Linux (以Ubuntu为例):
sudo apt update
sudo apt install r-base r-base-dev

装好后验证一下。命令很简单：

R --version

能看到版本信息就对了。我建议装R 4.3以上版本，很多新包已经不再支持老版本了。

安装RStudio Desktop

R装好了，再来个编辑器。

# 下载 RStudio Desktop (免费版)
# https://posit.co/download/rstudio-desktop/
# 选择对应操作系统的版本
# Windows: RStudio-2023.12.0-369.exe
# macOS: RStudio-2023.12.0-369.dmg
# Linux: rstudio-2023.12.0-369-amd64.deb

装完打开RStudio，它会自动帮你找到系统里安装的R。如果没找到，手动指定一下路径就行。

这里有个小技巧：打开RStudio后，先设置一下镜像。不改的话，下载R包会慢得让人抓狂。

# 在RStudio控制台中运行:
options(repos = c(CRAN = "https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))

# 打开 ~/.Rprofile 文件，写入:
options(repos = c(CRAN = "https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))
options(BioC_mirror = "https://mirrors.tuna.tsinghua.edu.cn/bioconductor")

配置Bioconductor

Bioconductor是差异表达分析的核心生态。装它，用BiocManager就行。

# 安装BiocManager（如果还没装）
install.packages("BiocManager")

# 安装Bioc核心包
BiocManager::install(c("DESeq2", "edgeR", "limma", "EnhancedVolcano"))

这里我多说一句：安装过程中会编译很多C/C++代码，需要编译器支持。
Windows用户需要在系统里装Rtools。以前这是个坑，现在RStudio会自动提示你安装。我建议你手动提前装好：

# Windows下安装Rtools
# 下载 https://cran.r-project.org/bin/windows/Rtools/rtools43/rtools43-x86_64.exe
# 按默认路径安装，然后在R中运行:
writeLines('PATH="${RTOOLS43_HOME}\\usr\\bin;${PATH}"', con = "~/.Renviron")

验证一下是不是都装好了：

library(DESeq2)
library(edgeR)
library(limma)
library(EnhancedVolcano)
# 没有报错，表示全部安装成功

扩展与工具链

除了Bioconductor核心包，还有几个我常用的工具：

• ggplot2：高级版的基础图形系统，做差异表达火山图、热图必备
• dplyr/tidyr：数据处理神器，清洗表格数据省时省力
• Shiny：我们这个课程的核心，构建交互式报告
• pheatmap：画热图，比基础heatmap好看太多

安装它们很直接：

install.packages(c("ggplot2", "dplyr", "tidyr", "Shiny", "pheatmap"))

还有个小工具我建议大家也装上——devtools。它能装GitHub上的包，以后扩展性会强很多。

install.packages("devtools")
devtools::install_github("rstudio/rmarkdown")

环境验证

环境对不对呢？跑个简单的例子看看：

# 验证R和RStudio连接正常
x <- 1:10
y <- x^2
plot(x, y, type = "b", col = "steelblue", lwd = 2)

# 验证Bioconductor可以正常工作
library(DESeq2)
sessionInfo()

如果看到一张点线图，并且sessionInfo()里列出了DESeq2的版本号，说明环境已经全部搭好了。

我当初第一次配置Bioconductor时踩过不少坑。特别是Rtools不匹配、包依赖缺胳膊少腿的情况。现在有BiocManager规范管理，已经好太多了。

环境都搭好了？好，那我们就进入正题了。下一部分开始实操：用Shiny构建第一个差异分析报告框架。