# 第四课：差异表达与功能富集——从计数矩阵到可以解释的结论

## 一、章节导入

第三课结束时，你手里有一张表：

```text
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**。

---

## 二、本章学习目标

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。

---

# 三、差异分析要解决什么问题

## 3.1 一个 count 由什么决定

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

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：

```text
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

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。

## 3.4 为什么用负二项分布

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：

```text
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。

## 3.5 一次差异分析的五个步骤

| 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

## 4.1 环境准备

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

```bash
# 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
```

```r
if (!requireNamespace("BiocManager", quietly = TRUE)) install.packages("BiocManager")
BiocManager::install(c("DESeq2", "apeglm"))
install.packages(c("ggplot2", "pheatmap"))
```

检查一下：

```r
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。

## 4.2 建立工作目录并认识数据

```bash
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。

## 4.3 读入数据并对齐

新建脚本 `scripts/01_load.R`：

```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**：

```r
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：

```r
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」。

## 4.4 构建 DESeqDataSet

```r
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**：

```r
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。

## 4.5 低表达过滤

```r
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。

## 4.6 运行 DESeq()

```r
dds <- DESeq(dds)
resultsNames(dds)
```

`resultsNames(dds)` 应该输出类似：

```text
[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。

## 4.7 取出并导出结果

```r
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：

```text
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：

```r
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。

## 4.8 记录运行环境

```r
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。**

## 4.9 常见报错与排查

| 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()` |

---

# 五、读懂结果表

## 5.1 结果表的六列

`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

`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」。

## 5.3 log2FoldChange 与 lfcSE

```text
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。

## 5.4 pvalue 与 padj

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。

## 5.5 阈值是人为定的

最常见的组合是：

```text
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」。

## 5.6 收缩 log2FC

`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：

```r
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。

## 5.7 与答案册对账

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：

```r
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")
```

## 5.8 把结果写成一句话

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。

---

# 六、把结论画出来

## 6.1 为什么画图前要做 vst

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**：

```r
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。

## 6.2 PCA：样本有没有先按组分好

```r
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。

## 6.3 样本相关性

```r
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。

## 6.4 MA 图：倍数与表达量的关系

```r
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。

## 6.5 火山图：两个维度一起看

```r
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。

## 6.6 差异基因热图

```r
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。

## 6.7 图的诚实性

| 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

## 7.1 富集分析在回答什么

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。

## 7.2 ORA 与超几何检验

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**：

```text
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：

```r
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：

```r
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

**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：

```r
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。

## 7.4 在 R 里做 ORA

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`：

```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。

## 7.5 读懂与绘制富集结果

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）：

```r
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）**。

## 7.6 ORA 的三个盲区

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

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。

## 7.8 手算一次 ES

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。**

## 7.9 在 R 里做 GSEA

先写一个最小实现，把 7.8 节的算法翻译成代码：

```r
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：

```r
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：

```r
# 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。

## 7.10 ORA 与 GSEA 怎么选

| 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。

## 7.11 富集分析常见错误

| 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

## 8.1 归一化：median-of-ratios

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

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。

## 8.3 Wald 检验

对每个基因，检验：

```text
H0: log2FC = 0
```

统计量：

```text
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`。

## 8.4 多重检验与 BH

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。

## 8.5 功效与样本量

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**。

## 8.6 DESeq2 / edgeR / limma-voom

| 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**。

---

# 九、课堂练习

> 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？

---

# 十、综合练习

## 综合任务 1：完整报告

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。

## 综合任务 2：填统计表

| 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」

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。**

---

# 十一、课后思考题

> 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。

## 11.1 概念与判断

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？

## 11.2 方法与选择

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？

## 11.3 从结果到结论

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

> 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。**

## 12.1 这套数据是什么

| 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：

```bash
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

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：

```bash
# 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

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）：

```bash
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

清洗只解决了列错位，重复基因还在。R 里按基因 ID 求和：

```r
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。

```r
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：

```r
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

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：

```r
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

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：

```r
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

先看叶。把数据分成两份，各自做两组比较：

```r
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：

```r
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？**

```r
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

```r
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℃：

```r
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

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**：

```r
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

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`：

```r
# 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：

```r
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。

## 12.11 结果怎么组织成一段话

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

| 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。

## 12.13 真实数据练习

**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？

## 12.14 真实数据的十个坑

| 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 |

---

# 十三、参考网址

- DESeq2 官方文档与分析流程：<https://bioconductor.org/packages/DESeq2/>
- DESeq2 vignette（必读）：<https://bioconductor.org/packages/release/bioc/vignettes/DESeq2/inst/doc/DESeq2.html>
- edgeR 用户指南：<https://bioconductor.org/packages/edgeR/>
- fgsea（GSEA 的 R 实现）：<https://bioconductor.org/packages/fgsea/>
- clusterProfiler（ORA/GSEA 的常用封装）：<https://bioconductor.org/packages/clusterProfiler/>
- 拟南芥注释包 org.At.tair.db：<https://bioconductor.org/packages/org.At.tair.db/>
- TAIR（拟南芥基因注释与基因 ID 查询）：<https://www.arabidopsis.org/>
- Benjamini & Hochberg (1995) 原文：<https://doi.org/10.1111/j.2517-6161.1995.tb02031.x>
- GSEA 原始方法（Subramanian et al., 2005）：<https://doi.org/10.1073/pnas.0506580102>
- GO 数据库：<http://geneontology.org/>
- KEGG PATHWAY：<https://www.kegg.jp/kegg/pathway.html>
- StatQuest 的 DESeq2 与 GSEA 系列视频（入门友好）：<https://www.youtube.com/@statquest>
