跳转到内容

第 4 节:差异表达与功能富集

← 课程目录 · 第 4 节 / 共 4 节 · 下载本节原始讲义(Markdown)

练习数据:下载差异表达教学数据(ZIP)。解压后得到 rnaseq_counts_demo/:240 个基因 × 6 个样本的计数矩阵、样本表、GO/KEGG 注释与答案册。是教学模拟数据,其中刻意埋了可检出的差异、高方差陷阱与被阈值漏掉的弱上调,用来练习判断。

单独查看或下载数据文件

第三课结束时,你手里有一张表:

gene_id CK1 CK2 CK3 DR1 DR2 DR3
demo_g001 16 10 12 11 17 19
demo_g075 316 330 215 506 528 453
...

这张表只说明「每个样本里,每个基因被测到多少次」。它不能直接回答生物学问题。 真正要问的是:

  • 干旱处理后,哪些基因的表达真的变了?
  • 变化有多大?是上调还是下调?
  • 这些基因是不是集中在某些功能上?比如激素信号、光合作用、氧化胁迫?
  • 我能不能用一句话把这个结果讲清楚,并且知道这句话有多可靠?

前三个问题属于差异表达分析,第四个问题属于功能富集分析。这两步合起来,才把「一张计数表」变成「一个结论」。

本课仍然沿用第三课的节奏:先做 → 再看懂 → 最后懂原理。

顺序 你要做的事 对应章节
1 先跑一遍:用 DESeq2 从计数矩阵得到差异基因表 第四章
2 再看懂:逐列解释结果表,并和答案册对账 第五章
3 画出来:PCA、MA、火山图、热图 第六章
4 往下走:ORA 与 GSEA 把基因变成通路 第七章
5 最后懂原理:负二项、离散度、Wald、BH 第八章
6 换一套真实数据:拟南芥 24 个样本的清洗、设计与三条比较 第十二章

课堂提醒:本课用的是一套教学模拟数据(240 个基因、两组各 3 个重复),不是真实测序结果。 数据里刻意埋了「能检出的差异」「看起来变了其实没变」「变化太小被阈值漏掉」几类基因,专门用来练判断。 具体埋点见练习数据包里的 README.md,答案册 ground_truth.tsv 请做完差异分析再打开。


完成本章学习后,学生应能够:

  1. 说明为什么差异分析必须用原始 count,而不能用 TPM/FPKM;
  2. 用 DESeq2 完成一次两组比较的差异分析,并导出结果表;
  3. 读懂结果表的每一列,特别是 baseMean、log2FoldChange、pvalue 与 padj 的区别;
  4. 解释「显著」与「差异大」为什么是两件事;
  5. 画并读懂 PCA、MA 图、火山图、差异基因热图;
  6. 用超几何检验做一次 ORA 富集,并说明背景基因集为什么重要;
  7. 说明 GSEA 与 ORA 的区别,读懂 ES、NES 与 FDR;
  8. 用一段话准确描述一次差异分析的结果,并说清它的局限;
  9. 在一套真实的、需要先清洗的计数矩阵上,完成体检、样本表构建与多因素比较。

同一个基因,在三个样本里可能测到 300、330、290 次,也可能测到 30、33、29 次。这个数字至少受四件事影响:

因素 影响方式 是不是我们关心的
基因的真实表达量 表达越高,count 越多 ✅ 是
基因长度 越长的转录本,越容易被测到 ❌ 不是
测序深度 这个样本总共测了多少条 read ❌ 不是
随机抽样 同一份 RNA 再测一次,数字也会变 ❌ 不是

差异分析要做的事,就是只留下第一项的影响,把后三项扣掉。

  • 扣掉「长度」和「深度」:这一步叫归一化(normalization);
  • 扣掉「随机抽样」:这一步叫统计检验(statistical test)。

3.2 为什么不能用 TPM 做差异分析

Section titled “3.2 为什么不能用 TPM 做差异分析”

第三课 5.10 节已经给过结论:差异分析的输入是原始 count。这里把原因说透一点。

TPM 已经做过两次除法:

TPM = (count / 基因长度) / Σ(count / 基因长度) × 10^6

除法之后,每个值都不再是「数出来的个数」,而是一个比例。 比例的问题是:一个基因的 TPM 变了,可能只是别的基因变了。如果 10 个高表达基因暴涨,其他基因的 TPM 会被动下降,看起来像是「下调」,实际它们的 count 一条没少。

DESeq2、edgeR 这类工具需要的是计数,因为它们要建立一个能描述「均值—方差关系」的模型(见 3.4 节)。TPM 把方差结构破坏了,模型就无从谈起。

一句话记住:比较同一样本内不同基因,用 TPM;比较不同样本的同一个基因,用 count + DESeq2。

3.3 生物学重复:没有重复就没有差异分析

Section titled “3.3 生物学重复:没有重复就没有差异分析”

差异分析的核心问题不是「两组均值差多少」,而是:

这个差距,比同一组内部样本之间的自然波动大多少?

如果对照组三个样本是 300、330、290(很稳),处理组是 600、640、610(也很稳),那这个差异很可信。 如果对照组是 300、900、120(自己就乱成一团),处理组是 600、1500、400,那 2 倍的均值差不说明任何问题——组内波动已经比组间差异还大。

所以:

  • 至少 3 个生物学重复,这是差异分析的底线;
  • 重复要来自不同的个体/植株/批次,而不是同一个样本测三遍(那是技术重复,只能估计测序误差,不能估计生物学变异);
  • 没有重复的数据,任何差异分析工具都给不出可靠的 p 值。

count 数据有个特点:方差随均值增大而增大。

  • 均值 10 的基因,可能测到 8、12、9;
  • 均值 1000 的基因,可能测到 900、1150、980。

如果假设方差等于均值(泊松分布),在均值 1000 时方差也是 1000,标准差只有 32,这明显低估了真实波动。真实的 RNA-seq 数据里,方差通常大于均值,这叫过度离散(overdispersion)。

负二项分布正好能描述这种「方差 = 均值 + α × 均值²」的关系:

Var(count) = μ + α × μ²

其中 α 叫离散度(dispersion):

  • α 越小,数据越「干净」,越接近泊松;
  • α 越大,组内波动越大,同样的倍数变化就越难显著。

DESeq2 的全部工作,可以概括成一句话:给每个基因估一个 α,再用它来判断两组均值差是否可信。怎么估、怎么用,第八章再展开。

步骤 做什么 对应函数
1. 归一化 估计每个样本的测序深度差异(size factor) DESeq() 内部
2. 估离散度 每个基因一个 α,并向全局趋势收缩 DESeq() 内部
3. 检验 对每个基因做 Wald 检验,得到 p 值 DESeq() 内部
4. 多重校正 把 p 值校正为 FDR(padj) results() 内部
5. 阈值筛选 按 padj 与 log2FoldChange 挑出差异基因 你自己定

第四章先把这五步跑通,不解释内部;第五章看结果;第八章回头讲 1–4 步的原理。


四、动手实操:从 counts.tsv 到差异基因表

Section titled “四、动手实操:从 counts.tsv 到差异基因表”

本课需要 R 与 DESeq2,绘图还需要 ggplot2 与 pheatmap。

终端窗口
# 方式一:conda(推荐,一次装好)
conda create -n bio_de -c conda-forge -c bioconda \
r-base=4.3 bioconductor-deseq2 r-ggplot2 r-pheatmap -y
conda activate bio_de
# 方式二:已有 R 环境
R
if (!requireNamespace("BiocManager", quietly = TRUE)) install.packages("BiocManager")
BiocManager::install(c("DESeq2", "apeglm"))
install.packages(c("ggplot2", "pheatmap"))

检查一下:

library(DESeq2)
packageVersion("DESeq2") # 记下版本号,写报告时要用

课堂提醒:DESeq2 的安装体积不小,建议课前装好。 如果 conda 装 bioconductor-deseq2 失败,换成 BiocManager::install("DESeq2"),并把 R 升到 4.3 以上。

终端窗口
mkdir -p ~/bioinfo_course/04_de/{data,scripts,results}
# 把练习数据解压后的 4 个文件放进 data/
ls data

练习数据包里有这些文件:

文件 内容 什么时候看
counts.tsv 240 个基因 × 6 个样本的原始计数 一开始
sample_info.csv 样本名、分组、重复编号 一开始
gene_annotation.tsv 每个基因的 GO 与 KEGG 注释(长表) 做富集时
ground_truth.tsv 答案册:每个基因被设计成哪一类 差异分析做完之后
counts_with_outlier.tsv 一个故意做坏的矩阵 综合任务 3

前四个文件就是本课的输入。先只看前三个。

新建脚本 scripts/01_load.R:

counts <- read.delim("data/counts.tsv", row.names = 1, check.names = FALSE)
coldata <- read.csv("data/sample_info.csv", row.names = 1)
dim(counts)
head(counts)
coldata

两个参数值得解释:

  • row.names = 1:把第一列 gene_id 当作行名,而不是数据列;
  • check.names = FALSE:不要改写列名(否则 DR1 之类可能被改成 DR1.1 这种名字)。

必须做的一步是对齐检查:

all(colnames(counts) == rownames(coldata))

结果必须是 TRUE。如果是 FALSE,后面的所有结果都会错位——而且 R 不会报错,只会悄悄算错。

这是新手最常犯、也最难发现的错误:样本表与表达矩阵的顺序不一致。 DESeq2 按位置匹配,不按名字匹配。

再看一眼数据规模:

colSums(counts) # 每个样本的总计数
summary(colSums(counts))

你会看到处理组的总计数明显高于对照组。这正是「为什么需要归一化」的现场证据:如果直接比原始数字,几乎所有基因在干旱组都「上调」。

coldata$condition <- factor(coldata$condition, levels = c("control", "drought"))
dds <- DESeqDataSetFromMatrix(
countData = counts,
colData = coldata,
design = ~ condition
)
dds

三件事:

  1. countData 必须是整数矩阵,行是基因,列是样本;
  2. colData 的行名必须与 countData 的列名一致;
  3. design = ~ condition 表示「按分组比较」。

因子水平决定比较方向:

levels(coldata$condition) # "control" "drought"

第一个水平是参照组。所以后面的 log2FoldChange 是「drought 相对于 control」:

  • 正值 = 干旱组更高(上调);
  • 负值 = 干旱组更低(下调)。

如果顺序反了(drought 在前),所有 log2FC 的符号都会反,结论全反。这一点在练习 4 里会专门试一次。

keep <- rowSums(counts(dds) >= 10) >= 3
table(keep)
dds <- dds[keep, ]

含义:至少在 3 个样本里 count ≥ 10 才保留。

为什么要过滤:

  • count 只有 0、1、2 的基因,估出来的倍数变化可能是 8 倍,但完全没有统计意义;
  • 这些基因会拉低多重校正后的整体功效,让真正显著的基因变得不显著。

阈值怎么定?没有标准答案,常用「最小的组内样本数」作为样本数门槛(这里是 3),count 门槛取 10 左右。 关键是先定规则再跑,不要跑完看到结果不好再回头改。

DESeq2 自己也有一步「独立过滤」(independent filtering),会把低表达基因的 padj 设为 NA。 显式过滤 + 独立过滤可以同时用,但报告里要写清楚你用了哪一条。

dds <- DESeq(dds)
resultsNames(dds)

resultsNames(dds) 应该输出类似:

[1] "Intercept" "condition_drought_vs_control"

这一行只跑了几秒钟(240 个基因),但内部完成了 3.5 节表格里的第 1–3 步。先不要管它做了什么,第五章、第八章会回头解释。

res <- results(dds,
contrast = c("condition", "drought", "control"),
alpha = 0.05)
summary(res)
res <- res[order(res$padj), ]
head(res, 10)
write.csv(as.data.frame(res), "results/DE_all.csv")

summary(res) 会输出类似:

out of 235 with nonzero total read count
adjusted p-value < 0.05
LFC > 0 (up) : 12, 5.1%
LFC < 0 (down) : 11, 4.7%
outliers [1] : 0, 0%
low counts [2] : 40, 17%
(mean count < 3)

这段输出信息量很大,第五章 5.7 节会逐类解释。

再单独存一份「差异基因」名单:

sig <- subset(res, padj < 0.05 & abs(log2FoldChange) > 1)
sig <- sig[order(sig$padj), ]
write.csv(as.data.frame(sig), "results/DE_significant.csv")
nrow(sig)

记住这个数字。后面画火山图、做富集,用的都是它。

sink("results/sessionInfo.txt")
sessionInfo()
sink()

报告里写清楚 R 版本、DESeq2 版本、过滤阈值、比较方向、显著性阈值。别人复现不了的结果,等于没做。

报错 / 现象 原因 处理
some variables in design formula are characters condition 还是字符型 先 factor()
countData should be a matrix of counts 读入时变成了 data.frame 或含小数 as.matrix()、确认是整数
every gene contains at least one zero 全零基因太多或矩阵转置了 先过滤;检查行列方向
NA 出现在 pvalue 列 全零、被过滤、或 Cook’s 距离判为离群 看 mcols(res)$filtered,不是错误
padj 几乎全是 NA 独立过滤把低表达全滤掉了 检查过滤阈值是否过严、总深度是否太低
所有 log2FC 符号都反了 因子水平顺序反了 重新 factor(levels = c("control","drought"))
样本数对不上 colData 行名与 counts 列名不一致 all(colnames(counts) == rownames(coldata))
结果和上次不一样 没固定随机种子 / 版本不同 记录 sessionInfo(),必要时 set.seed()

results() 返回的是一张带 6 列的表格:

列名 含义 怎么看
baseMean 所有样本归一化后的平均计数 表达量高低,用来判断结果可不可信
log2FoldChange 两组均值比的 log2 正=上调,负=下调;1 = 2 倍,2 = 4 倍
lfcSE log2FC 的标准误 越大越不确定
stat Wald 统计量 = log2FC / lfcSE 绝对值越大越显著
pvalue 单基因检验的原始 p 值 不能直接用
padj 多重检验校正后的 p 值(FDR) 判断显著性的依据

5.2 baseMean:先看表达量,再看显著性

Section titled “5.2 baseMean:先看表达量,再看显著性”

baseMean 是归一化计数的平均值。它有两个用途:

  1. 判断这个基因是不是「有表达」。baseMean 只有 2 的基因,就算 padj 很显著,也不值得追;
  2. 判断倍数变化的可信度。低表达基因的 log2FC 通常抖得很厉害(第六章 MA 图会看到)。

你会在结果表里看到一批 baseMean 上千、padj 接近 1 的基因——它们表达很高,但两组没有差别。这正是数据里刻意埋的「高表达 ≠ 差异」。

log2FoldChange = log2(干旱组均值 / 对照组均值)
log2FC 倍数 方向
1 2 倍 上调
2 4 倍 上调
0.585 1.5 倍 上调
−1 0.5 倍 下调
−2 0.25 倍 下调

lfcSE 是这个估计值的标准误。stat = log2FoldChange / lfcSE,p 值就是从 stat 算出来的。

关键理解:stat 同时受「倍数」和「不确定性」影响。一个 4 倍变化但组内极不稳定的基因,stat 可能很小;一个 1.5 倍变化但组内非常稳定的基因,stat 可能很大。

一次分析要检验 200 多个基因。如果每个都用 p < 0.05 判断,即使所有基因都没有差异,也会有大约 5% 的基因「显著」——240 个基因里就是 12 个假阳性。

padj 是经过多重检验校正的 p 值(DESeq2 默认用 Benjamini–Hochberg 方法,见 8.4 节)。它的含义是:

在我报告的这批「显著基因」里,预期有多少比例是假的。

所以:

  • padj < 0.05 的意思是「这批结果里假阳性比例预期不超过 5%」;
  • 它不是「这个基因有 95% 的概率真的差异」——这是最常见的误读。

课堂提醒:写报告时不要写「该基因差异显著(p < 0.05)」,要写「该基因在 FDR < 0.05 下显著」。 用 pvalue 而不是 padj 下结论,是审稿时最容易被抓的问题之一。

最常见的组合是:

padj < 0.05 且 |log2FoldChange| > 1

为什么是 1?因为 log2FC = 1 正好是「2 倍」,好解释、好汇报。

但这个阈值有代价:

  • 会漏掉「变化小但很一致」的基因。比如 8 个基因都稳定上调 1.75 倍(log2FC ≈ 0.8),它们 padj 可能极小,但被 |log2FC| > 1 挡在名单外;
  • 会保留「变化大但没意义」的基因。一个 log2FC = 1.2、padj = 0.049 的基因,可能只是运气好。

这正是第七章要讲 GSEA 的原因:阈值筛选会丢信息,排序不会。

阈值不是定理,是约定。写报告时要写明你用了什么阈值,并且说清楚「换一个阈值,名单会怎么变」。

results() 给出的 log2FC 对小表达基因很不稳定:一个 count 从 3 变到 12,log2FC 就是 2,看起来很夸张。

lfcShrink() 会把不可靠的估计「拉向 0」,让排名更稳:

res_shrunk <- lfcShrink(dds,
coef = "condition_drought_vs_control",
type = "normal")
head(res_shrunk)
用途 用哪个
判断显著性、做火山图 原始 results() 的 padj
排序、展示、热图 收缩后的 log2FoldChange
报告具体倍数 收缩后的值更保守、更稳

type = "apeglm" 效果更好,但需要额外装 apeglm 包;教学环境用 "normal" 就够了。

先回头解释 4.7 节那段 summary(res):

输出行 含义
out of 235 with nonzero total read count 235 个基因总计数不为 0,进入检验
LFC > 0 (up) : 12, 5.1% padj < 0.05 且 log2FC > 0 的基因 12 个,占 5.1%
LFC < 0 (down) : 11, 4.7% 同上,方向为下调
outliers [1] Cook’s 距离被判为离群、pvalue 置为 NA 的基因数(本数据为 0)
low counts [2] 被独立过滤掉的低表达基因数,表现为 padj = NA,p 值本身不变

再看答案册。现在可以打开 ground_truth.tsv 了,逐类核对:

答案册类别 数量 你应该看到
up_aba / up_oxidative 6 + 6 padj 极小,log2FC 在 1.6–2.6
down_photosynthesis / down_translation 6 + 4 padj 极小,log2FC 在 −1.7 至 −2.8
mild_up 8 padj 显著,但 log2FC 只有 0.5–0.9,不在 DE_significant.csv 里
high_expression_unchanged 3 baseMean 上千,padj 接近 1
high_variance_unchanged 3 log2FC 有 2–3,但 padj 在 0.3–0.7
low_count 4 被过滤,或 padj 为 NA
all_zero 1 结果表里根本没有这一行
199 个 unchanged — 绝大多数不显著,但有 1–2 个「碰巧」显著

最后一行的 1–2 个假阳性不是 bug,是 FDR 控制的正常代价。你要能在报告里解释它,而不是把它删掉。

对账时建议写一个小脚本:

gt <- read.delim("data/ground_truth.tsv")
res_df <- as.data.frame(res)
res_df$gene_id <- rownames(res_df)
merged <- merge(gt, res_df[, c("gene_id", "baseMean", "log2FoldChange", "padj")],
by = "gene_id", all.x = TRUE)
table(merged$category, merged$padj < 0.05, useNA = "ifany")

好的结论长这样:

在 FDR < 0.05 且 |log2FC| > 1 的阈值下,干旱处理组相对对照组共有 约 23 个差异表达基因(其中可能有 1 个是假阳性), 其中 12 个上调、10 个下调。上调基因富集于 ABA 信号通路与氧化胁迫响应, 下调基因富集于光合作用与核糖体。另有 8 个基因呈一致但幅度较小的上调(log2FC ≈ 0.8), 未达到单项阈值,但 GSEA 显示该基因集整体显著(见 7.9 节)。

不好的结论:

干旱处理后很多基因上调,说明植物响应干旱。

前者包含了阈值、数量、方向、功能、例外;后者什么信息都没有。


count 的方差不齐:高表达基因的波动远大于低表达基因。直接把 count 拿去画 PCA 或热图,结果会被少数高表达基因主导。

vst()(方差稳定变换)把计数变换到「方差大致相等」的尺度,专用于可视化与聚类:

vsd <- vst(dds, blind = FALSE)
assay(vsd)[1:3, 1:3]
  • blind = FALSE:知道分组信息,但不用于估计(差异分析已经做完了);
  • 做差异分析仍然用原始 count,vsd 只用于画图。
plotPCA(vsd, intgroup = "condition")

PCA 把每个样本「在 235 个基因上的表达向量」压缩成两个坐标。要看两件事:

  1. 同组样本是否聚在一起:如果对照组三个点分散在三个角落,说明组内变异很大,后面的差异结果要打折扣;
  2. 两组是否分开:如果分开,说明处理确实改变了整体表达谱。

图上的百分比(如 PC1: 62% variance)表示这个轴解释了多少变异。PC1 通常对应最大的变异来源——如果 PC1 不是分组,而是某个样本单独跑偏,那就要先查样本。

sampleDists <- dist(t(assay(vsd)))
sampleDistMatrix <- as.matrix(sampleDists)
rownames(sampleDistMatrix) <- colnames(vsd)
colnames(sampleDistMatrix) <- NULL
library(pheatmap)
pheatmap(sampleDistMatrix,
clustering_distance_rows = sampleDists,
clustering_distance_cols = sampleDists,
col = colorRampPalette(c("white", "steelblue"))(50))

正常的图:两个 3×3 的方块(组内近、组间远)。如果某个样本单独成一类,它就是可疑样本。

plotMA(res, ylim = c(-4, 4))
  • 横轴:baseMean(表达量);
  • 纵轴:log2FoldChange;
  • 蓝色点:padj < 0.05;
  • 灰色点:不显著。

MA 图最有用的一点:低表达区(左侧)的 log2FC 抖得最厉害。这就是为什么低表达基因要过滤,也是为什么 lfcShrink() 有用。

library(ggplot2)
df <- as.data.frame(res)
df$gene <- rownames(df)
df <- df[!is.na(df$padj), ]
df$group <- "not significant"
df$group[df$padj < 0.05 & df$log2FoldChange > 1] <- "up"
df$group[df$padj < 0.05 & df$log2FoldChange < -1] <- "down"
ggplot(df, aes(x = log2FoldChange, y = -log10(padj), color = group)) +
geom_point(alpha = 0.6, size = 1.5) +
geom_vline(xintercept = c(-1, 1), linetype = "dashed", color = "grey40") +
geom_hline(yintercept = -log10(0.05), linetype = "dashed", color = "grey40") +
scale_color_manual(values = c(up = "#c0392b", down = "#2471a3",
`not significant` = "grey70")) +
labs(x = "log2 fold change (drought / control)",
y = "-log10(FDR)",
color = NULL) +
theme_bw()
ggsave("results/volcano.pdf", width = 6, height = 5)
ggsave("results/volcano.png", width = 6, height = 5, dpi = 300)

读图要点:

  • 右上角 = 上调且显著;左上角 = 下调且显著;
  • 两条虚线是人为画的,不是统计结果;换阈值,点会重新分类;
  • 落在右下角(log2FC 大但 -log10(padj) 低)的,就是 high_variance_unchanged 那类基因——看着变了,实际不可信。
top <- head(rownames(res[order(res$padj), ]), 20)
pheatmap(assay(vsd)[top, ],
scale = "row",
cluster_rows = TRUE,
cluster_cols = TRUE,
annotation_col = coldata["condition"],
show_rownames = TRUE)

scale = "row" 必须加。它把每个基因的表达值变成 z-score(均值 0、标准差 1),这样颜色反映的是「这个基因在自己各个样本里的相对高低」,而不是绝对表达量。

不加会发生什么:高表达基因的颜色饱和,低表达基因全是一个颜色,热图看起来「什么都没变」。

热图能回答的问题:差异基因是不是能把两组样本分开?如果聚类后样本按组分开,说明这些基因有判别能力。

做法 问题
只画显著基因,不标阈值 读者无法判断筛掉了多少
火山图纵轴用 pvalue 而不是 padj 夸大显著性
热图不做行标准化 颜色被少数高表达基因主导
PCA 只画两个组,不标重复数 看不出组内变异
挑一个「好看」的基因画柱状图 个例不能代表整体

报告里的每张图都要写清楚:n = ?,阈值 = ?,用的什么变换。


七、从差异基因到生物学通路:功能富集

Section titled “七、从差异基因到生物学通路:功能富集”

差异基因名单是 23 个 demo_g0xx。它们的生物学意义,光看编号看不出来,看注释又太零散(23 个基因可能对应 30 个 GO term)。

富集分析要回答的是:

这 23 个基因,是不是非随机地集中在某些功能上?

两类方法:

方法 输入 回答的问题
ORA(过表达分析) 差异基因名单(过阈值/不过阈值) 名单里的基因是否在某功能上「超额出现」
GSEA(基因集富集分析) 全部基因的排序(不设阈值) 某功能的基因是否整体排在列表顶部或底部

两者不是替代关系,是互补关系。先看 ORA,再看 GSEA,最后对比两者的差异——这本身就是结果的一部分。

把问题抽象成一个摸球模型:

  • 罐子里有 N 个基因(背景基因集);
  • 其中 K 个属于某个功能 term;
  • 你从罐子里摸出 n 个(差异基因);
  • 其中 k 个属于这个 term。

如果差异基因与功能无关,那么 k 应该接近 K × n / N。k 明显偏大,就说明这个 term 被富集了。

检验用超几何分布:

P(X ≥ k) = Σ(i=k..min(K,n)) C(K,i) × C(N-K, n-i) / C(N,n)

在 R 里就是一行:

phyper(k - 1, K, N - K, n, lower.tail = FALSE)

注意 phyper 的参数顺序:q 是「摸到的白球数 − 1」,因为 lower.tail = FALSE 算的是 P(X > q),所以传 k - 1 才等于 P(X ≥ k)。

手算一个例子:

  • 背景 N = 200 个基因;
  • 某个 term 有 K = 10 个基因;
  • 差异基因 n = 20 个;
  • 其中 k = 5 个属于这个 term。

期望是 10 × 20 / 200 = 1 个,实际有 5 个。代入:

phyper(5 - 1, 10, 200 - 10, 20, lower.tail = FALSE) # 约 1.1e-3

p ≈ 0.001,说明这个 term 被显著富集。如果 k = 4,p ≈ 0.01,就没那么强了。

7.3 背景基因集:最容易做错的一步

Section titled “7.3 背景基因集:最容易做错的一步”

背景必须用「这次实验里真正被测到、且通过过滤的基因」,不是全基因组,也不是注释文件里的全部基因。

为什么:

  • 口径不一致:你实际只测到 235 个基因,却拿全基因组的 5 万个基因做分母。此时 term 的 K 也变成全基因组注释大小,而差异基因只能来自那 235 个——p 值不再回答「在这批表达基因里,这个功能是否超额出现」,往往会给出过度显著的结果;
  • 混入不可能被检出的基因:本组织根本不表达的基因,不可能出现在差异名单里。把它们算进 K,等于让「不可能事件」参与概率计算,检验被扭曲——该显著的可能不显著,不该显著的反而显著,方向取决于 K 与 N 各自怎么变。

正确的做法:

background <- rownames(res) # 通过过滤、进入检验的基因

在本数据里是 235 个(240 减去 1 个全零基因和 4 个低表达基因)。

这个错误极其常见,而且不会报错。审稿人如果问「你的背景基因集是什么」,答不上来就是硬伤。

不装 clusterProfiler,用 base R 就能做——看清楚每一步在算什么,比调包更有价值。

新建脚本 scripts/03_ora.R:

res_df <- read.csv("results/DE_all.csv", row.names = 1)
ann <- read.delim("data/gene_annotation.tsv")
background <- rownames(res_df)
de <- rownames(subset(res_df, padj < 0.05 & abs(log2FoldChange) > 1))
length(background); length(de)
# 把长表拆成「term → 基因列表」
terms <- split(ann$gene_id, paste(ann$term_type, ann$term_id, ann$term_name, sep = "|"))
ora <- do.call(rbind, lapply(names(terms), function(t) {
term_genes <- intersect(unique(terms[[t]]), background)
hit <- intersect(de, term_genes)
data.frame(
term = t,
size = length(term_genes),
hit = length(hit),
p = phyper(length(hit) - 1,
length(term_genes),
length(background) - length(term_genes),
length(de),
lower.tail = FALSE)
)
}))
ora <- ora[ora$size >= 5, ] # 太小的 term 不可靠
ora$padj <- p.adjust(ora$p, method = "BH")
ora <- ora[order(ora$padj), ]
head(ora, 10)
write.csv(ora, "results/ORA.csv", row.names = FALSE)

结果应该能看到:

term size hit padj
GO_BP|GO:0009737|response to abscisic acid 7 6 ~1e-5
KEGG|map04075|Plant hormone signal transduction 7 6 ~1e-5
GO_BP|GO:0006979|response to oxidative stress 7 6 ~1e-5
GO_BP|GO:0015979|photosynthesis 8 6 ~1e-4
KEGG|map00195|Photosynthesis 8 6 ~1e-4
GO_BP|GO:0006412|translation 5 4 ~1e-3

具体数值会随 DE 名单略有变化,但排序和数量级应该一致。

用 fisher.test() 也能做,结果与超几何检验等价;clusterProfiler::enricher() 只是把上面这段包装起来, 再联网取注释。理解了这个循环,再看 clusterProfiler 的输出就不会觉得是黑箱。

除了 padj,还要看三个量:

指标 算法 含义
GeneRatio hit / length(de) 差异基因里有多少比例属于这个 term
BgRatio size / length(background) 背景里这个 term 占多大比例
Fold Enrichment GeneRatio / BgRatio 超额倍数,最直观

只看 padj 会被「大 term」带偏:一个 100 个基因的 term,只要命中 10 个就可能显著,但富集倍数只有 1 倍多,没有生物学意义。所以要同时看富集倍数和 term 大小。

气泡图(第二课画散点图的直接复用):

ora$ratio <- ora$hit / length(de)
ora$bg <- ora$size / length(background)
ora$fold <- ora$ratio / ora$bg
ora$term_short <- sub("^[^|]+\\|[^|]+\\|", "", ora$term)
top10 <- head(ora[order(ora$padj), ], 10)
top10$term_short <- factor(top10$term_short, levels = rev(top10$term_short))
ggplot(top10, aes(x = fold, y = term_short, size = hit, color = -log10(padj))) +
geom_point() +
scale_color_gradient(low = "grey70", high = "#c0392b") +
labs(x = "Fold enrichment", y = NULL, size = "Gene count",
color = "-log10(FDR)") +
theme_bw()
ggsave("results/ORA_bubble.pdf", width = 7, height = 4.5)

读图顺序:先看颜色(显著性)→ 再看横轴(倍数)→ 最后看点大小(命中数)。

  1. 只用了「过阈值」的基因。阈值一改,富集结果可能大变。这一点可以自己验证:把 |log2FC| > 1 改成 > 0.5,看 ORA 表怎么变(练习 11)。
  2. 完全不看倍数。一个基因 log2FC = 3 和一个 log2FC = 1.01,在 ORA 里权重一样。
  3. 漏掉「整体小幅变化」。8 个基因都稳定上调 1.75 倍,每个都过不了 |log2FC| > 1,于是集体从名单里消失——但它们的整体趋势是真实的。

第 3 点正是 GSEA 要解决的问题。

7.7 GSEA:不设阈值,用全部基因排序

Section titled “7.7 GSEA:不设阈值,用全部基因排序”

GSEA 的思路完全不一样:

  1. 把所有基因按差异程度排序(常用 stat 或 log2FC);
  2. 取一个功能 term 的基因,看它们在这张排序表里是均匀分布,还是挤在顶部/底部;
  3. 挤得越厉害,这个 term 越可能被调控。

核心统计量叫 ES(enrichment score):沿着排序表从上往下走,遇到集合内的基因就加分、遇到集合外的就减分,得到一条累计曲线,曲线的最大偏离就是 ES。

  • ES > 0:集合基因集中在顶部(在处理组中上调);
  • ES < 0:集中在底部(下调);
  • ES ≈ 0:均匀分布,没有富集。

假设只有 6 个基因,按 stat 从高到低排好,集合 S = {g1, g3}:

位置 基因 stat 在集合里 增量 累计
1 g1 2.5 ✅ +2.5/3.4 = +0.735 +0.735
2 g2 1.8 ❌ −1/4 = −0.25 +0.485
3 g3 0.9 ✅ +0.9/3.4 = +0.265 +0.750
4 g4 0.2 ❌ −0.25 +0.500
5 g5 −0.4 ❌ −0.25 +0.250
6 g6 −1.1 ❌ −0.25 0.000
  • 集合内基因的权重 + |stat| / Σ|stat|,一共加 1;
  • 集合外每个基因扣 −1 / (总数 − 集合大小),一共减 1;
  • 曲线最后一定回到 0。

这里的最大偏离是 0.750,所以 ES = 0.75。

如果集合是 {g1, g2}(全在顶部),ES = 1.0;如果是 {g5, g6}(全在底部),ES = −1.0。 ES 的绝对值越接近 1,富集越强。

先写一个最小实现,把 7.8 节的算法翻译成代码:

gsea_es <- function(stats, set) {
stats <- sort(stats, decreasing = TRUE)
set <- intersect(set, names(stats)) # 只保留通过过滤的基因
hit <- names(stats) %in% set
w <- abs(stats) * hit
run <- cumsum(w / sum(w)) - cumsum(!hit) / sum(!hit)
run[which.max(abs(run))]
}
set.seed(1)
ranks <- res_df$stat
names(ranks) <- rownames(res_df)
ranks <- ranks[!is.na(ranks)]
cold_set <- terms[["GO_BP|GO:0009409|response to cold"]]
es_obs <- gsea_es(ranks, cold_set)
es_obs

再用置换检验判断这个 ES 大不大:

perm_es <- function(stats, set, n = 1000) {
obs <- gsea_es(stats, set)
k <- length(intersect(set, names(stats)))
null <- replicate(n, gsea_es(stats, sample(names(stats), k)))
p <- (sum(abs(null) >= abs(obs)) + 1) / (n + 1)
c(ES = obs, p = p)
}
perm_es(ranks, cold_set)

注意:标准的 GSEA 置换的是样本标签(打乱分组),不是基因标签。 这里为了在课堂上快速演示,用的是基因标签置换,p 值会偏乐观。真实分析请用 fgsea。

生产环境一行就够:

# BiocManager::install("fgsea")
library(fgsea)
pathways <- split(ann$gene_id, ann$term_id) # 注意:需要是 list
fgsea(pathways = pathways, stats = ranks,
minSize = 5, maxSize = 200, nperm = 1000)

输出里的三列:

列 含义
ES 富集分数,正=上调,负=下调
NES 归一化 ES(除以同大小随机集合的平均 ES 绝对值),可以跨 term 比较
padj 置换检验 + BH 校正后的 FDR

预期结果:map00940 Phenylpropanoid biosynthesis(含那 8 个 mild_up 基因)会显著,NES 为正—— 但在 ORA 里它完全看不到,因为那 8 个基因都过不了 |log2FC| > 1。

把两个结果并排放在报告里,就是一句很好的方法论说明:

ORA 只看到「过阈值」的 23 个基因,GSEA 用全部 235 个基因,额外发现了整体上调约 1.75 倍的苯丙烷代谢通路。

场景 推荐
只看强差异基因,需要快速解释 ORA
想知道「整体趋势」而不设阈值 GSEA
差异基因很少(< 10 个) GSEA(ORA 几乎没有功效)
功能和基因的对应关系很清楚 两者都做
需要跟文献里的 ORA 结果对比 ORA
通路之间相互重叠、想排序 GSEA(NES 可比较)

实践建议:两个都跑,把结论不一致的 term 单独讨论。不一致本身往往是最有意思的发现。

错误 后果
背景用全基因组 p 值假性变小,假阳性暴增
背景用注释文件全部基因 包含本组织不表达的基因,同样高估显著性
只报告 p 值,不看富集倍数 大 term 永远显著,结论无意义
用 pvalue 而不是 padj 多重检验未校正
term 太小(< 5 个基因)也报告 一个基因就能让 p 值「显著」
把 GO 的三个本体混在一起算 BP/CC/MF 的基因数不同,不能混
拿 KEGG 结果反推物种特异性 通路是通用的,物种差异要另行验证
富集结果直接当机制 富集是假设,不是因果

八、原理:DESeq2 与富集统计内部

Section titled “八、原理:DESeq2 与富集统计内部”

DESeq2 估计测序深度不用「总计数」,因为总计数会被少数高表达基因带偏(比如一两个基因占了 30% 的 reads)。它用的是中位数比值法:

  1. 对每个基因,算它在所有样本中的几何均值;
  2. 每个样本的每个基因,算 count / 几何均值,得到一个比值;
  3. 每个样本取所有基因比值的中位数,就是它的 size factor。

手算一个 2 样本、3 基因的例子:

基因 样本 1 样本 2 几何均值 样本1 比值 样本2 比值
A 100 50 70.7 1.414 0.707
B 200 100 141.4 1.414 0.707
C 50 40 44.7 1.118 0.894

样本 1 的比值中位数 = 1.414,样本 2 = 0.707。

归一化:每个 count 除以自己的 size factor。

  • 基因 C:样本 1 = 50 / 1.414 = 35.4,样本 2 = 40 / 0.707 = 56.6。

于是基因 C 看起来「上调 1.6 倍」,而原始数字 50 → 40 是下降的。这就是归一化的作用:扣掉样本 2 测序深度只有一半这件事。

为什么用中位数而不是平均数?因为差异基因是少数,中位数对它们不敏感。

8.2 离散度:为什么 3 个重复也能估

Section titled “8.2 离散度:为什么 3 个重复也能估”

每个基因都要估一个 α。但 3 个重复只能算出很粗糙的方差,直接估会极不稳定。

DESeq2 的做法分三层:

  1. 基因内估计:用该基因自己的重复算一个粗略 α;
  2. 趋势拟合:发现 α 与表达量有关(低表达基因的 α 通常更大),拟合一条趋势线;
  3. 经验贝叶斯收缩:把每个基因的估计往趋势线(以及全体基因的分布)拉。

结果是:高表达、重复一致的基因,α 估计几乎不受收缩影响;低表达、信息少的基因,α 被拉向趋势,避免「碰巧算出一个极小方差 → 假显著」。

这就是为什么 3 个重复也能做差异分析:信息是从 200 多个基因之间借来的,不是只靠 3 个数字。

对每个基因,检验:

H0: log2FC = 0

统计量:

stat = log2FoldChange / lfcSE

在 H0 下近似服从标准正态分布,p 值就是 2 × P(Z > |stat|)。

几个变体:

参数 作用
lfcThreshold = 0.585 检验「变化是否大于 1.5 倍」,而不是「是否不为 0」
test = "LRT" 似然比检验,适合多组比较或复杂设计
contrast = ... 指定比较方向,避免因子顺序带来的困惑

报告里写「差异基因」时,最好同时给出 lfcThreshold(如果用了)和 alpha。

假设检验 100 个基因,每个都用 p < 0.05,即使全是噪声,也期望有 5 个「显著」。这叫多重检验问题。

Bonferroni:把阈值除以检验次数(0.05 / 100 = 0.0005)。太保守,生物数据几乎全军覆没。

Benjamini–Hochberg(BH):控制错误发现率(FDR),步骤是:

  1. 把所有 p 值从小到大排好:p₁ ≤ p₂ ≤ … ≤ pₘ;
  2. 从大到小找最大的 k,使得 pₖ ≤ k/m × 0.05;
  3. 排名 1 到 k 的基因判为显著。

手算一个例子(m = 5,α = 0.05):

排名 k p 值 阈值 k/m × 0.05 判定
1 0.001 0.010 ✅
2 0.008 0.020 ✅
3 0.030 0.030 ✅
4 0.040 0.040 ✅
5 0.200 0.050 ❌

从大到小找到的最大 k 是 4(p₄ = 0.04 ≤ 0.04),所以前 4 个显著,第 5 个不显著。

注意 padj 不是「每个基因独立的 p 值」,它依赖同一批检验里的其他基因。所以:换一批基因,padj 会变。这也意味着你不能把两次分析的 padj 直接比较。

能检出多大的差异,取决于三件事:重复数、离散度、测序深度。

粗略的经验(α ≈ 0.1,每组 3 个重复,FDR 0.05):

倍数变化 log2FC 大致能否检出
4 倍 2.0 几乎总能
2 倍 1.0 大概率能
1.5 倍 0.58 看离散度,常常检不出
1.2 倍 0.26 3 个重复基本没戏

想稳定检出 1.5 倍差异,通常需要 每组 5–6 个重复。这就是为什么真实的 RNA-seq 实验很少只做 3 个重复——除非预期效应很大。

反过来:如果你的数据里「一个显著基因都没有」,先别怀疑代码。先看组内相关性、看离散度、看测序深度,再考虑是不是效应本来就不大。

工具 模型 特点 适用
DESeq2 负二项 + 收缩 稳健,小样本表现好,生态完整 默认选择
edgeR 负二项 速度快,灵活,适合大样本 大项目、复杂设计
limma-voom 线性模型 + 权重 复用 limma 框架,适合多因素设计 芯片/多组学混合

三者在常规两组比较里的结果高度相关(top 基因基本重合)。选一个用透,比换来换去更有价值。


练习 1–6 对应第四章的流程;练习 7–10 用第五、六章的结果表与图形;练习 11–13 用第七章的富集;练习 14 是总结。

练习 1:对齐检查 任务:读入 counts.tsv 与 sample_info.csv,验证列名与行名完全一致。 问题:如果顺序不一致但名字相同,all(...) 能发现吗?如果名字不同但顺序一致呢?

练习 2:手算 size factor 任务:从 counts.tsv 里任选 5 个基因(尽量选 count 都大于 0 的),按 8.1 节的方法手算 6 个样本的 size factor,再与 sizeFactors(dds) 对比。 问题:两者差多少?差异可能来自哪里?

练习 3:过滤阈值的影响 任务:把 rowSums(counts(dds) >= 10) >= 3 里的 10 分别换成 5 和 20,各跑一次,记录显著基因数。 问题:阈值提高后,显著基因变多还是变少?为什么?

练习 4:因子水平反了 任务:把 levels 改成 c("drought", "control"),重跑。 问题:log2FoldChange 的符号怎么变?padj 变了吗?为什么?

练习 5:pvalue 排序 vs padj 排序 任务:分别按 pvalue 和 padj 排序,取前 10 个基因,比较两个名单。 问题:差了几个?如果按 pvalue 报告,会多出多少个「显著」基因?

练习 6:收缩前后 任务:对同一个基因,比较 results() 与 lfcShrink() 的 log2FoldChange。 问题:哪些基因变化最大?它们的 baseMean 有什么共同点?

练习 7:与答案册对账 任务:按 5.7 节的脚本合并 ground_truth.tsv 与结果表,统计每一类基因的「检出率」。 问题:哪一类基因全部检出?哪一类完全没检出?有没有「意外」显著的?

练习 8:PCA 判断 任务:画 PCA 图,标出每个样本的分组。 问题:PC1 解释了多少变异?两组是否分开?有没有样本明显偏离?

练习 9:火山图计数 任务:画火山图,数出右上和左上的点数。 问题:与 nrow(sig) 是否一致?如果不一致,差在哪里?

练习 10:热图的行标准化 任务:用同一批基因,分别画 scale = "row" 和不加 scale 的热图。 问题:两张图的信息量差在哪里?不加标准化时,你能看出分组吗?

练习 11:阈值改了,ORA 怎么变 任务:把 |log2FC| > 1 改成 > 0.5,重做 ORA。 问题:哪些 term 新出现了?那 8 个 mild_up 基因进来了吗?这说明了什么?

练习 12:背景基因集的影响 任务:分别用 rownames(res) 和「注释文件里的全部基因」做背景,各做一次 ORA。 问题:p 值差多少倍?哪个更合理?

练习 13:GSEA 的排序依据 任务:分别用 stat 和 log2FoldChange 作为排序依据,跑同一个 term。 问题:ES 和 NES 是否一致?为什么低表达基因会影响 log2FC 排序?

练习 14:把结果讲成一段话 任务:按 5.8 节的模板,写一段 150 字以内的结论,包含数量、方向、功能、例外。 问题:这段话里哪些数字是「阈值依赖」的?换阈值后哪部分要改?


从 counts.tsv 出发,产出一份可交付的小报告,必须包含:

  1. 一张 PCA 图;
  2. 一张火山图(标出阈值线);
  3. 一张 top 20 差异基因热图;
  4. 一张 ORA 气泡图;
  5. 一段不超过 200 字的结论;
  6. 一行 sessionInfo() 的版本信息。

评分点:图是否标了 n 和阈值;结论是否区分了「显著」与「变化大」;是否提到了 GSEA 的补充发现。

项目 你的结果
进入检验的基因数
padj < 0.05 的基因数
padj < 0.05 且 log2FC > 1
padj < 0.05 且 log2FC < -1
过滤掉的基因数
全零基因数
ORA 最显著的 term(附 padj)
GSEA 最显著的 term(附 NES、padj)

综合任务 3:排查一个「坏结果」

Section titled “综合任务 3:排查一个「坏结果」”

用 counts_with_outlier.tsv 替换 counts.tsv,重跑整个流程。

  1. 先看 PCA:哪个样本偏离了?偏离到什么程度?
  2. 看样本相关性热图:它和谁都不像吗?
  3. 去掉这个样本,重跑 DESeq2;
  4. 对比两次的显著基因数和 top term。

问题:去掉样本前后,结论变化大吗?如果这个样本是真实存在的生物学变异(而不是技术问题),去掉它是否合理? 这个任务没有标准答案,重要的是你的判断依据。


这一节不考命令,也不考代码。命令可以查,脚本可以让 AI 写; 真正决定结论对不对的,是方法怎么选、结果怎么判断、下一步做什么。 下面每题都要求你给出理由和取舍,而不是一个标准答案。

  1. 为什么差异分析要用原始 count,而不能用 TPM?
  2. padj 与 pvalue 的区别是什么?padj = 0.03 能不能说「这个基因有 97% 的概率真的差异」?
  3. 为什么低表达基因的 log2FC 波动更大?这对「挑 top 基因」有什么影响?
  4. 为什么说「没有重复就没有差异分析」?生物学重复与技术重复分别在估计什么?
  5. ORA 与 GSEA 的核心区别是什么?各自会漏掉哪一类信号?
  6. 为什么富集分析的背景基因集不能用全基因组?用了会发生什么?
  7. lfcShrink() 改变的是显著性判断,还是倍数估计?它适合用在报告的哪一个环节?
  8. FDR 控制的是「单个基因出错」还是「整批结果出错」?这对你写结论的措辞有什么要求?
  9. 一个基因 padj = 1e-8、log2FoldChange = 0.3,另一个 padj = 0.01、log2FoldChange = 2.5。哪一个更值得跟进?你的判断依据是什么?
  10. baseMean 在决策里应该扮演什么角色?为什么不能只看 padj 排序?
  1. 你只有 2 个生物学重复,预期效应约 1.5 倍。你会直接跑 DESeq2、换一个更宽松的工具、还是先补实验?说明你的决策标准和最坏情况。
  2. 什么情况下必须用多因素模型(例如 ~ genotype * temperature),什么情况下分层做几次两组比较反而更清楚?两种做法的代价分别是什么?
  3. 你的课题真正关心的是 1.3 倍的剂量效应,而 |log2FC| > 1 的惯例会把它们全筛掉。你会怎么调整分析策略与报告方式?
  4. 差异基因只有 5 个,导师仍要求「做富集」。ORA、GSEA、换用更粗的功能分类、还是明确说明不可行?给出理由。
  5. 导师要求「背景基因集用全基因组,别人都这么写」。你会怎么解释?如果必须妥协,报告里要补哪句话?
  6. 交互作用显著、但两个主效应都不显著。你会先信哪个结论?需要哪些额外证据才能下判断?
  7. 一个样本在 PCA 上明显离群。留下还是剔除?列出你在做决定前必须先问的三个问题。
  8. 时间序列实验:0、1、3、6、12 h,每组 3 个重复。能不能拆成 4 次「相邻时间点比较」?更好的建模思路是什么?
  9. 同一物种的叶和根差异巨大。你会把组织放进模型、还是分层分析?判断标准是什么?两种做法对「交互作用」的解释有什么不同?
  10. 两批测序在不同时间完成(存在批次)。设计里应该怎么放?什么情况下你必须承认「无法校正」,而不是硬加一个批次项?
  11. 公共注释更新后,同一批数据的差异基因名单变了三成。你会以哪个版本为准?报告里怎么交代版本与日期?
  12. 你让 AI 生成了一套 DESeq2 分析脚本。请从结果层、统计层、可复现层各列两条验收标准——不用写代码,只写你要检查什么。
  13. 三个处理组(CK、处理 A、处理 B)。为什么不能做三次两两比较再取交集?你会怎么组织这三组的比较?
  1. 用一句话写出你的结论,并标出其中哪些词是「阈值依赖」的(换阈值就要改)。
  2. 富集到「热胁迫响应」,能不能说明这个基因是热胁迫所必需的?下一步设计什么实验来验证?
  3. 转录组能证明什么、不能证明什么?至少各列两条(提示:因果、时间顺序、细胞类型)。
  4. 你的 top 基因在另一个组织里不显著。这算不算「结论不可靠」?你会怎么在报告里处理?
  5. 论文要求 qRT-PCR 验证。选几个基因、按什么标准选、预期看到什么结果才算验证成功?
  6. 用三个数或三张图,向导师说明「这个突变体是否改变了高温响应」。你选哪三个?为什么是它们?

十二、真实数据实战:拟南芥温度 × 过表达突变体

Section titled “十二、真实数据实战:拟南芥温度 × 过表达突变体”

前面十一章用的都是模拟数据,为的是把概念讲清楚。这一章换一套真实的拟南芥数据,把同样的流程走一遍。 真实数据不会像教学数据那样整洁:列会错位、ID 会重复、组织效应会盖过处理效应。这些正是这一章要练的东西。

维度 水平
物种 拟南芥(Arabidopsis thaliana)
基因型 WT(野生型)、OE(一个基因的过表达转基因系)
温度 22℃(对照)、40℃(热胁迫)
组织 leaf(叶)、root(根)
重复 每个组合 3 个生物学重复

2 × 2 × 2 × 3 = 24 个文库。定量走的是 StringTie 流程,所以数据有两种形态:

文件 内容 用途
prepDE_counts.csv 基因 × 样本的原始计数(StringTie prepDE.py 输出) 差异分析只能用这个
tpm/*.tpm 每个样本一个两列文件(gene_id + TPM) 快速查看、画图、质控

计数矩阵约 4 MB,24 个 TPM 文件合计约 17 MB。这套数据没有打进练习数据包: 如果你拿到的是完整课程目录,它就在 04_differential_expression/Arat_RNAseq/;如果只下载了练习数据包, 需要向课程单独索取。下文所有命令都假设你把它放在 data/Arat_RNAseq/。

先看一眼规模:

终端窗口
cd ~/bioinfo_course/04_de/data/Arat_RNAseq
wc -l prepDE_counts.csv # 41167 行(含表头)
ls tpm | wc -l # 24 个样本
head -2 tpm/WT-22-leaf-rep1.tpm

单个样本的计数总量在 6900 万到 1 亿之间,属于比较深的 RNA-seq 数据。

12.2 第一步不是跑 DESeq2,而是体检

Section titled “12.2 第一步不是跑 DESeq2,而是体检”

直接 read.delim() 读进来,然后跑 DESeq2——这是新手最常见的做法,也是最容易翻车的做法。先做四项检查:

终端窗口
# 1. 每行有多少列?正常应该是 25(1 个基因 ID + 24 个样本)
awk -F'\t' '{print NF}' prepDE_counts.csv | sort -n | uniq -c
# 2. 行尾是不是 Windows 换行?
head -2 prepDE_counts.csv | cat -A | cut -c1-120
# 3. 基因 ID 长什么样?
cut -f1 prepDE_counts.csv | head -5
cut -f1 prepDE_counts.csv | grep -c '|'
# 4. 去掉 ID 后缀后,有没有重复基因?
cut -f1 prepDE_counts.csv | sed 's/|.*//' | sort | uniq -d | wc -l

检查结果(你必须能自己复现出这些数字):

检查 结果 含义
列数分布 25 列 34,462 行;26 列 6,704 行 这 6,704 行的第 2 列被插进了一个 UniProt=... 注释,直接读会让所有数值错位
行尾 ^M$(CRLF) R 的 read.delim 能处理,但自己用 strsplit() 时最后一列会带 \r
基因 ID 形如 AT1G01010,但 6,842 行带 |数字 后缀 同一基因出现多条记录
去后缀后的基因数 38,061 41,166 − 38,061 = 3,105 行是重复记录,涉及 2,459 个基因
TPM 文件行数 每个正好 38,061 行 和去重后的基因数一致,这是最省事的「清洗正确」校验

课堂提醒:这一步的每一行命令,都要能解释「我在查什么、查到了说明什么」。 体检不是形式,它是后面所有结论的前提。

12.3 清洗:一行 awk 去掉多出来的注释列

Section titled “12.3 清洗:一行 awk 去掉多出来的注释列”

26 列的行里,多出来的那一列固定在第 2 位。所以规则很简单:保留第 1 列,再从末尾取 24 列。 表头是 25 列,同样适用(从第 2 列取到第 25 列):

终端窗口
awk -F'\t' 'BEGIN{OFS="\t"} {out=$1; for(i=NF-23;i<=NF;i++) out=out OFS $i; print out}' \
prepDE_counts.csv > counts.tsv
awk -F'\t' '{print NF}' counts.tsv | sort -n | uniq -c # 现在应该全是 25
wc -l counts.tsv # 仍然是 41167

NF 是当前行的字段数,NF-23 正好是「倒数第 24 列」的起点,两种情况都成立。 这一行命令比在 R 里写循环快得多,也不容易写错。

12.4 合并重复基因,并与 TPM 对账

Section titled “12.4 合并重复基因,并与 TPM 对账”

清洗只解决了列错位,重复基因还在。R 里按基因 ID 求和:

counts <- read.delim("data/Arat_RNAseq/counts.tsv", row.names = 1, check.names = FALSE)
counts <- as.matrix(counts)
sum(is.na(counts)) # 必须是 0;不是 0 说明清洗有问题
dim(counts) # 41166 x 24
ids <- sub("\\|.*$", "", rownames(counts))
counts <- rowsum(counts, group = ids)
dim(counts) # 38061 x 24

为什么是求和而不是取其中一行?因为 AT1G01060 与 AT1G01060|2200969 是同一位点的两条注释记录, 我们要的是「这个位点总共表达了多少」;两条记录的计数分别偏向不同样本(前者叶高、后者根高), 丢掉任何一条都会丢信息。

counts["AT1G01060", ]

这是一个约定,不是唯一正确答案。如果你的项目要区分转录本,就不该合并,而应直接在转录本层面分析。 无论选哪种,报告里都要写明合并规则——审稿人一定会问。

合并后再和 TPM 对账:

tpm <- read.delim("data/Arat_RNAseq/tpm/WT-22-leaf-rep1.tpm", header = FALSE)
nrow(tpm) # 38061,与 counts 的行数一致
sum(!rownames(counts) %in% tpm$V1) # 0,说明基因 ID 能对上

12.5 样本表:从文件名解析四个因素

Section titled “12.5 样本表:从文件名解析四个因素”

24 个样本名是 WT-22-leaf-rep1 这种格式。解析规则固定,就不要手写样本表——手写一定会错一个:

meta <- data.frame(sample = colnames(counts), stringsAsFactors = FALSE)
parts <- strsplit(meta$sample, "-", fixed = TRUE)
meta$genotype <- vapply(parts, `[`, "", 1)
meta$temperature <- factor(vapply(parts, `[`, "", 2), levels = c("22", "40"))
meta$tissue <- factor(vapply(parts, `[`, "", 3), levels = c("leaf", "root"))
meta$replicate <- vapply(parts, `[`, "", 4)
rownames(meta) <- meta$sample
table(meta$genotype, meta$temperature, meta$tissue)

最后这张表必须每个格子都是 3。如果不是 3,说明文件名格式不统一,先停下来查名字,不要硬跑。

因子水平决定比较方向:temperature 的参照是 22℃,genotype 的参照是 WT,tissue 的参照是 leaf。 所以后面的正 log2FC 一律表示「40℃ 高于 22℃」或「OE 高于 WT」。

12.6 先看整体:PCA 里的主导变异

Section titled “12.6 先看整体:PCA 里的主导变异”

真实数据里,最大的变异往往不是你想研究的处理。先看清楚:

dds_all <- DESeqDataSetFromMatrix(counts, meta, design = ~ genotype + temperature + tissue)
dds_all <- dds_all[rowSums(counts(dds_all) >= 10) >= 3, ]
nrow(dds_all) # 26896
vsd <- vst(dds_all, blind = TRUE)
plotPCA(vsd, intgroup = c("tissue", "temperature", "genotype"))

预期结果:

  • PC1 由组织分开(叶 vs 根)。同一株植物的根和叶,表达谱差异远大于 22℃ 与 40℃ 的差异;
  • PC2 由温度分开;
  • 基因型(WT vs OE)的差异通常最小,往往要第三个主成分才看得出来。

这不是数据「不好」,而是植物学事实。它带来两个直接后果:

  1. 不能把叶和根混在一个比较里,否则你测到的主要是组织差异;
  2. 设计里要么按组织分层分析(本章的做法),要么把 tissue 放进模型(~ tissue + ...),两者不能都不做。

12.7 温度效应:WT 与 OE 各做一次

Section titled “12.7 温度效应:WT 与 OE 各做一次”

先看叶。把数据分成两份,各自做两组比较:

leaf <- meta[meta$tissue == "leaf", ]
counts_leaf <- counts[, rownames(leaf)]
make_dds <- function(mat, meta_sub, design) {
dds <- DESeqDataSetFromMatrix(mat, meta_sub, design = design)
dds[rowSums(counts(dds) >= 10) >= 3, ]
}
wt_leaf <- leaf[leaf$genotype == "WT", ]
dds_wt <- DESeq(make_dds(counts_leaf[, rownames(wt_leaf)], wt_leaf, ~ temperature))
res_wt <- results(dds_wt, contrast = c("temperature", "40", "22"), alpha = 0.05)
summary(res_wt)

summary(res_wt) 里的数字会比模拟数据大得多:温度效应通常是数千个基因。 先用 8.5 节的功效表估一下:3 个重复、几千个基因、效应量又大,这个数量级是合理的。

同样的代码换成 oe_leaf <- leaf[leaf$genotype == "OE", ],就得到 OE 里的温度效应:

oe_leaf <- leaf[leaf$genotype == "OE", ]
dds_oe <- DESeq(make_dds(counts_leaf[, rownames(oe_leaf)], oe_leaf, ~ temperature))
res_oe <- results(dds_oe, contrast = c("temperature", "40", "22"), alpha = 0.05)

两条结果一对比,就能回答第一个生物学问题:过表达这个基因,会不会改变高温响应的规模?

sig_wt <- rownames(subset(res_wt, padj < 0.05 & abs(log2FoldChange) > 1))
sig_oe <- rownames(subset(res_oe, padj < 0.05 & abs(log2FoldChange) > 1))
length(intersect(sig_wt, sig_oe)) / length(union(sig_wt, sig_oe)) # Jaccard 相似度

12.8 突变体效应:22℃ 与 40℃ 各做一次

Section titled “12.8 突变体效应:22℃ 与 40℃ 各做一次”
leaf22 <- leaf[leaf$temperature == "22", ]
dds_22 <- DESeq(make_dds(counts_leaf[, rownames(leaf22)], leaf22, ~ genotype))
res_22 <- results(dds_22, contrast = c("genotype", "OE", "WT"), alpha = 0.05)
summary(res_22)

同法做 40℃:

leaf40 <- leaf[leaf$temperature == "40", ]
dds_40 <- DESeq(make_dds(counts_leaf[, rownames(leaf40)], leaf40, ~ genotype))
res_40 <- results(dds_40, contrast = c("genotype", "OE", "WT"), alpha = 0.05)
summary(res_40)

预期规模比温度效应小一个量级——一千上下,而且 40℃ 下的差异基因数通常多于 22℃: 热胁迫会把很多基因「推到」可检出的差异上。

这里要注意方向:contrast = c("genotype", "OE", "WT"),正 log2FC = OE 比 WT 高。 过表达系的差异基因里,会有一批是转入基因本身及其下游,这是预期的,不是污染。

质控建议:先确认转入的那个基因在 OE 里确实高表达(用 counts 或 TPM 都行)。 如果它自己都不显著,后面的所有结论都要打问号。

12.9 交互作用:这个突变体是否改变了温度响应

Section titled “12.9 交互作用:这个突变体是否改变了温度响应”

前面两个分析都是「分层做」。如果想知道「温度效应在 WT 和 OE 里是否不同」,就要检验交互作用:

dds_int <- make_dds(counts_leaf, leaf, ~ genotype * temperature)
dds_int <- DESeq(dds_int, test = "LRT", reduced = ~ genotype + temperature)
resultsNames(dds_int)
# [1] "Intercept" "genotype_OE_vs_WT" "temperature_40_vs_22" "genotypeOE.temperature40"
res_int <- results(dds_int, alpha = 0.05)
summary(res_int)

读法:

  • genotypeOE.temperature40 这一项,检验的是「OE 的温度效应减去 WT 的温度效应是否等于 0」;
  • 它显著,说明这个基因在两种基因型里的温度响应不一样;
  • 它不显著,只说明没有检出差异,不等于两者一定相同(3 个重复的交互检验功效很低)。

交互显著的基因通常不多,但往往是最有意思的:它们可能是「只在过表达背景下才被高温诱导」的基因。 把 top 20 画成热图,按 4 个组合(WT-22 / WT-40 / OE-22 / OE-40)取均值,最容易看出模式。

课堂提醒:交互显著 ≠ 生物学交互。倍数变化在两个基因型里差别很大,也可能只是噪声。 报告时给图、给区间,不要只给一个 p 值。

12.10 真实数据上的富集:换成注释包

Section titled “12.10 真实数据上的富集:换成注释包”

模拟数据里我们用一张手写的 gene_annotation.tsv 做 ORA。真实数据没有这张表,要用公共注释库。 拟南芥的标准选择是 clusterProfiler + org.At.tair.db:

# 第一次运行需要联网安装
BiocManager::install(c("clusterProfiler", "org.At.tair.db"))
library(clusterProfiler)
library(org.At.tair.db)
sig <- rownames(subset(res_wt, padj < 0.05 & log2FoldChange > 1))
sig <- sub("\\.[0-9]+$", "", sig) # 去掉 .1 这类后缀,才能和 TAIR ID 对上
tested <- !is.na(res_wt$pvalue) # 真正进入检验的基因才进背景
universe <- sub("\\.[0-9]+$", "", rownames(res_wt)[tested])
ego <- enrichGO(gene = sig,
universe = universe,
OrgDb = org.At.tair.db,
keyType = "TAIR",
ont = "BP",
pAdjustMethod = "BH",
pvalueCutoff = 0.05,
qvalueCutoff = 0.2)
head(as.data.frame(ego), 10)
dotplot(ego, showCategory = 15)

四十度处理的上调基因,预期会落在热胁迫响应(response to heat / heat acclimation)、 未折叠蛋白结合、HSF 靶基因这类 term 上。如果跑出来最显著的是「光合作用」,那就要先怀疑方向搞反了。

两个细节:

  • universe 一定要给,而且要用这次检验过的基因(26,896 个),理由和 7.3 节一样;
  • ID 必须统一。矩阵里既有 AT1G01010 也有 AT1G03987.1,不去后缀会有一批基因匹配不上注释。 去后缀后有 257 个 ID 会和别的基因撞名,报告里要说明这一点。

KEGG 需要先把 TAIR ID 转成 ENTREZID,并且要联网取数据:

entrez <- bitr(sig, fromType = "TAIR", toType = "ENTREZID", OrgDb = org.At.tair.db)
ek <- enrichKEGG(gene = entrez$ENTREZID, organism = "ath", pvalueCutoff = 0.05)

这一节是整个教程里唯一必须联网的步骤。如果课堂上没有网络,可以先跳过,用 7.9 节的 GSEA 配合本地注释做替代;或者由老师提前把 org.At.tair.db 装好。

真实数据的结论不能只报「多少个差异基因」。建议按这个顺序写:

顺序 内容 写法示例(数值以你的结果为准)
1 整体结构与质控 24 个文库,PC1 区分组织、PC2 区分温度;组内重复相关性 > 0.95
2 主效应 40℃ 相对 22℃ 在 WT 叶中有数千个差异基因,上调为主
3 突变体效应 OE 相对 WT 在 22℃ 叶中约一千个差异基因;40℃ 下更多
4 交互 交互检验得到 N 个基因,其中 M 个只在 OE 中被高温诱导
5 功能 上调基因富集于热胁迫响应与蛋白折叠;下调基因富集于光合作用
6 局限 3 个重复、单一组织来源、未记录温室位置/批次

12.12 真实数据与模拟数据的分工

Section titled “12.12 真实数据与模拟数据的分工”
维度 模拟数据(第四至十一章) 真实数据(本章)
基因数 240 38,061(过滤后 26,896)
样本数 6 24
设计 单因素两组 三因素(基因型 × 温度 × 组织)
数据质量 干净 需清洗:列错位、CRLF、重复 ID
差异基因 约 23 个 数千个
富集 本地注释 + 手算 ORA 需要 org.At.tair.db 与联网
用途 学概念、对答案 学清洗、多因素设计、真实解读

顺序不要反:先在模拟数据上把 padj、log2FC、富集这些概念弄明白,再来碰真实数据。 反过来做,你会把 90% 的时间花在修数据上,却不知道为什么结果是这样。

练习 1:体检 任务:不看上文,自己写出四条检查命令,并解释每一条在查什么。 问题:26 列的那 6,704 行,如果直接用 read.delim() 会怎样?结果表里会出现什么现象?

练习 2:清洗与合并 任务:完成 awk 清洗与 rowsum 合并,报告清洗前后、合并前后的基因数。 问题:如果改用「保留总计数最大的一行」而不是求和,有多少基因的结果会变?至少举 3 个例子。

练习 3:TPM 的陷阱 任务:用 tpm/ 里的 OE-22-leaf-rep1..3 与 WT-22-leaf-rep1..3,直接算 TPM 均值比值,取前 10 个基因。 再取 DESeq2(22℃,OE vs WT)的 top 10,比较两张名单。 问题:重合几个?不重合的那些,baseMean 有什么特点?

练习 4:PCA 的主导因素 任务:画 PCA,分别按 tissue、temperature、genotype 着色。 问题:PC1 和 PC2 各解释多少变异?如果只取叶做 PCA,PC1 变成什么?

练习 5:组织特异性 任务:分别做叶和根的「40℃ vs 22℃」,取显著基因交集。 问题:重叠比例是多少?根里特有的一批基因,可能和什么过程有关?

练习 6:交互作用的基因长什么样 任务:从 LRT 结果取 top 20,按 4 个组合的均值画热图。 问题:这些基因在 WT 里几乎不变、在 OE 里剧烈变化,还是反过来?两种模式各占多少?

练习 7:富集 任务:对 WT 叶 40℃ 上调基因做 GO BP 富集,列出前 5 个 term。 问题:结果符合「热胁迫」预期吗?如果最显著的是「核糖体」,你会先检查什么?

练习 8:转基因质控 任务:用 counts 与 TPM 两种数据,确认转入基因在 OE 中的表达确实高于 WT。 问题:两种数据给出的倍数一致吗?如果 counts 显示 5 倍、TPM 显示 2 倍,怎么解释?

现象 后果 处理
6,704 行多一列 数值整体错位,read.delim 不报错 先用 awk '{print NF}' 体检,再按列位置清洗
CRLF 换行 自己 strsplit() 时最后一列带 \r,转数值变 NA read.delim 自动处理;手写解析要 gsub("\r", "", x)
AT1G01010|2200969 同一基因多行,rowsum 前 dim 是 41,166 先按 | 去后缀,再合并,并在报告里写明规则
AT1G03987.1 与 TAIR ID 对不上,富集时丢基因 富集前去 \\.[0-9]+$,并说明撞名的 257 个 ID
叶与根混在一起 组织差异淹没处理效应 按组织分层,或把 tissue 放进设计
直接用 TPM 做检验 方差结构被破坏,p 值无意义 用 count + DESeq2;TPM 只用于展示
24 个样本一个模型 交互项解释困难,系数一多就乱 先分层做主效应,再单独做交互
只做叶、不报根 结论不可外推 两个组织都做,分别报告
每组 3 个重复 交互检验功效很低 交互结论留余地,别写「证明」
没记录温室位置/批次 无法校正,只能承认 设计阶段就把元数据记下来