edgeR简介与安装

1.1 什么是edgeR？

edgeR，说白了，就是一个专为RNA-seq差异表达分析打造的R包。它的核心思想很简单：用负二项分布模型来处理测序数据里的过度离散问题。

我记得刚接触转录组分析那会儿，大家还在用简单的t检验。结果假阳性多到让人头疼。后来才发现，测序数据天生就有“过度离散”——基因表达在生物学重复间的波动比泊松分布假设的要大。edgeR正是专门解决这个问题的。

我个人习惯，拿到一个新数据集的第一件事就是用edgeR快速扫一遍差异基因。它速度快，内存占用也小，很适合做探索性分析。

1.2 核心统计模型

edgeR用的模型叫“经验贝叶斯负二项模型”。名字听起来唬人，其实就两个关键点：

• 负二项分布：每个基因的表达量服从NB(μ, φ)，其中μ是均值，φ是离散度。离散度越大，数据越“散”。
• 经验贝叶斯：多个基因共享信息，对离散度做收缩估计。说白了，就是把所有基因的离散度拉向一个共同的先验，这样低表达基因的估计不会太离谱。

我在项目中遇到过这样的情况：测了三组生物学重复，其中一组有个明显的异常样本。如果不做离散度收缩，那个基因的p值会被严重低估。用了edgeR的默认方法，结果扎实很多。

1.3 安装环境准备

edgeR是Bioconductor生态的一员。所以安装前需要先搞定BiocManager。你的R版本最好别太老，3.5以上的基本都行。

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

# 通过BiocManager安装edgeR
BiocManager::install("edgeR")

1.4 验证安装

装完之后，加载一下看有没有报错。我一般会用sessionInfo()看看版本信息。

library(edgeR)
sessionInfo()

如果看到类似这样的输出，就说明安装成功了：

R version 4.3.1 (2023-06-16)
Platform: x86_64-pc-linux-gnu (64-bit)

other attached packages:
[1] edgeR_4.0.0   limma_3.58.0

1.5 核心数据结构：DGEList

edgeR处理数据的起点是DGEList对象。你只需要准备一个基因×样本的计数矩阵，加上分组信息，就能构建它。

counts <- matrix(rpois(1000, lambda = 10), nrow = 100, ncol = 10)
group <- factor(rep(c("Ctrl", "Treat"), each = 5))
y <- DGEList(counts = counts, group = group)
y

输出会显示样本数、基因数、库大小等信息。你想想看，这个对象就像是一个数据容器，后面所有的归一化、离散度估计、差异检验都是基于它进行的。

1.6 edgeR的工作流程总览

下面这张SVG图总结了你马上要经历的几个步骤。每一次参数调整，都会影响中间某个环节的输出。我会在后面的章节中逐一演示。

1.7 参数调整的意义

你仔细看上面的SVG图，绿色方框后面标注了“参数影响区域”。后面每修改一个参数（归一化方法、离散度先验强度、检验类型），都会导致最终的差异基因列表发生变化。这正是本课程的核心——让你直观看到参数变动带来的可视化输出差异。

举个例子：estimateDisp函数里有个参数trend.method，可选"none"、"movingave"、"loess"。我曾经在一次项目里发现，选"loess"和选"none"相比，高表达基因的离散度会收缩得更厉害，直接导致两组中几个高表达基因的p值变化了三个数量级。要是没有可视化对比，你根本不会注意到这个细节。

1.8 避坑指南

• 零计数基因：edgeR会自动过滤掉在所有样本中表达量很低的基因。但有时候过滤阈值需要调整。我通常会用filterByExpr看默认过滤情况，再根据实际数据微调。
• 库大小差异大：如果样本间总计数相差超过3倍，建议使用TMM归一化（默认就是TMM）。但极端情况下（比如某个样本只有其他样本的1/10），最好先检查一下那个样本是不是有问题。
• 批量效应：edgeR本身不支持直接加入批次校正。我一般先用limma::removeBatchEffect处理后再转为DGEList，但要注意这样会损失一些自由度。

小结

这一章我们把edgeR的“家底”摸了一遍：它是什么、为什么需要它、怎么装、怎么做。更重要的是，我们理清了整个数据分析流程中的参数敏感节点。

接下来，我会带你去看看默认参数下的可视化效果，然后再一个个改参数，看它怎么变。准备好了吗？