过滤低表达基因

这一章我们聊聊过滤低表达基因。你可能觉得这步很基础，但我在实际项目中见过太多因为过滤不当导致结果偏差的例子。说白了，低表达基因就像噪音——它们本身计数很少，统计检验时有跟没有差不多，但却会拉高多重检验校正的负担。

为什么要过滤？

先问个问题：一个基因在所有样本里都只有1-2个read，你能相信它的差异表达吗？显然不能。这种基因的CPM很低，哪怕有差别，也只是随机波动。

过滤的主要目的有三个：

• 降低假阳性 —— 噪声基因不参与检验，减少错误发现率。
• 提升统计功效 —— 更少的检验次数，多重校正更宽松，真正差异基因更容易被检出。
• 加速计算 —— 少处理几千个基因，运行时间明显缩短。

edgeR的过滤方法

edgeR官方推荐使用 filterByExpr 函数。它的逻辑很简单：

1. 计算每个基因的 CPM（每百万计数）
2. 确定一个 CPM 阈值（默认 1，可通过 min.count 调整）
3. 判断每个基因在多少个样本中达到该阈值（默认少于 3 个样本则过滤）

我们来看看具体参数：

keep <- filterByExpr(y, 
                     group = group,
                     min.count = 10,     # 最少 read 数
                     min.total.count = 15, # 所有样本总 read 数至少
                     large.n = 10,       # 大样本组时的小调整
                     min.prop = 0.5)     # 至少 50% 的样本有表达

这里每个参数都影响过滤的严苛程度。我个人的习惯是先用默认值看看过滤了多少基因，再根据需要微调。

参数改变的可视化效果

真正有趣的部分来了——不同参数组合会让过滤后的基因数目产生巨大差异，而且这些差异可以通过可视化直观看到。

下面我给出一个对比实验：分别用 min.count = 1, 5, 10 和 min.prop = 0.3, 0.5, 0.7 做过滤，统计保留基因数。

从表格就能看出来——参数一紧，一半以上的基因直接没了。这正常吗？正常。但你要意识到：过滤太严也可能把一些真阳性（低表达但有生物学意义的基因）丢掉。

可视化输出对比

怎么可视化过滤效果？我常用两个图：

• CPM分布箱线图 —— 看过滤前后的CPM分布变化
• 基因保留数量条形图 —— 不同参数下的保留基因数对比

下面是一段生成该条形图的R代码：

library(edgeR)
library(ggplot2)

# 假设有 y, group 对象
params <- expand.grid(min.count = c(1, 5, 10),
                      min.prop = c(0.3, 0.5, 0.7))
results <- sapply(1:nrow(params), function(i) {
  keep <- filterByExpr(y, group = group,
                       min.count = params$min.count[i],
                       min.prop = params$min.prop[i])
  sum(keep)
})

dat <- data.frame(
  min.count = factor(params$min.count),
  min.prop = factor(params$min.prop),
  n_genes = results
)

ggplot(dat, aes(x = min.count, y = n_genes, fill = min.prop)) +
  geom_bar(stat = "identity", position = position_dodge()) +
  labs(x = "min.count", y = "保留基因数", fill = "min.prop") +
  theme_minimal()

运行后你会看到一个漂亮的柱状图。当你把 min.count 从1提升到10时，条形高度断崖式下降；而 min.prop 从0.3到0.7也让高度缩水不少。这种可视化能帮你快速理解参数敏感性。

完整的过滤流程

下面这张SVG图展示了过滤低表达基因的完整流程：

从这个流程能看出来：核心判断就是 filterByExpr 这一下。参数不同，过滤的“宽窄”就不同。你可以用我之前给的代码，快速生成多个参数组合的对比图，找到适合你数据的过滤条件。

实战建议

最后给你几条接地气的建议：

• 默认参数就够了 —— 对于大多数RNA-seq数据集，min.count=10, min.prop=0.5 是个好起点。
• 检查过滤比例 —— 如果过滤了80%以上，你的数据可能对低表达本身就很敏感，建议适当放宽。
• 别忘了可视化 —— 画个CPM直方图，看过滤后的基因覆盖了多少表达区间。