# 差异表达教学数据

**这不是真实测序数据。** 计数矩阵由固定种子的模拟脚本生成，基因名、功能注释与倍数变化都是为教学设计的。
请不要把这里的差异倍数、显著性或富集结果当作任何真实的生物学结论。

## 实验设计

- 240 个基因 × 6 个样本
- 对照组 3 个重复（`CK1`–`CK3`），干旱处理组 3 个重复（`DR1`–`DR3`）
- 总计数约 27 万，单个样本 3 万–6 万条读数（处理组总体测序更深，用来演示归一化的必要性）
- 每个基因都至少有 1 条 GO 注释和 1 条 KEGG 通路注释

## 文件

| 文件 | 说明 |
| --- | --- |
| `counts.tsv` | 基因 × 样本的原始计数矩阵，第一列 `gene_id` |
| `sample_info.csv` | 样本表：`sample,condition,replicate`，与 `counts.tsv` 的列顺序一致 |
| `gene_annotation.tsv` | 长表注释：`gene_id, description, term_type, term_id, term_name`，`term_type` 取 `GO_BP` 或 `KEGG` |
| `ground_truth.tsv` | **答案册**：每个基因被设计成哪一类、设计的 log2FC 与说明。建议做完差异分析再打开 |
| `counts_with_outlier.tsv` | 与 `counts.tsv` 相同，但 `DR3` 的测序深度翻倍、且 8 个高表达基因被额外放大，用来练习「从 PCA 发现离群样本」 |

## 刻意放进数据的六类情况

| 类别 | 数量 | 设计 | 应该看到什么 |
| --- | --- | --- | --- |
| `up_aba` | 6 | 上调 3–6 倍，属 ABA 信号通路 | 火山图右侧，`padj` 极小 |
| `up_oxidative` | 6 | 上调 3–6 倍，属氧化胁迫响应 | 火山图右侧 |
| `down_photosynthesis` | 6 | 下调 3–6 倍，属光合作用 | 火山图左侧 |
| `down_translation` | 4 | 下调 3–6 倍，属翻译/核糖体 | 火山图左侧 |
| `mild_up` | 8 | 只上调约 1.75 倍（log2FC ≈ 0.6–0.9） | `padj` 显著，但被 `|log2FC| > 1` 的阈值挡在差异基因名单外——这是 GSEA 存在的理由 |
| `high_expression_unchanged` | 3 | 表达量很高但两组无差异 | `baseMean` 上千，`padj` 接近 1：**高表达不等于差异** |
| `high_variance_unchanged` | 3 | 均值差 2–3 倍，但组内波动极大 | 倍数很好看、`padj` 却不显著：**这是重复的价值** |
| `low_count` | 4 | 总计数只有个位数 | 会被低表达过滤或独立过滤（independent filtering）处理掉 |
| `all_zero` | 1 | 所有样本都是 0 | DESeq2 直接剔除，结果表里没有这一行 |

另外，199 个 `unchanged` 基因里有 1–2 个会「碰巧」通过阈值。这不是数据出错，而是 FDR 控制的正常代价——
第 4 节的综合任务会让你把这件事讲清楚。

## 基因注释

`gene_annotation.tsv` 是长表，一个基因可以有多行：

```text
gene_id    description                 term_type  term_id     term_name
demo_g041  ABA-responsive element ...  GO_BP      GO:0009737  response to abscisic acid
demo_g041  ABA-responsive element ...  KEGG       map04075    Plant hormone signal transduction
```

GO 与 KEGG 使用同一套长表结构，便于在 R 里用 `split()` 一次性拆成「term → 基因」的列表。

## 建议的练习顺序

```bash
mkdir -p ~/bioinfo_course/04_de/{data,scripts,results}
cp counts.tsv sample_info.csv gene_annotation.tsv ~/bioinfo_course/04_de/data/
cd ~/bioinfo_course/04_de
```

然后在 R 里依次完成：读入并对齐 → 低表达过滤 → `DESeq()` → `results()` 导出 → 与 `ground_truth.tsv` 对账 →
ORA 富集 → GSEA 富集 → 火山图与热图。具体命令见第四节正文。

## 生成方式

本目录由 `../.generated/generate_demo_counts.mjs` 用固定种子（seed = 69）生成，重复运行输出完全一致。
脚本会先自检「埋点是否能被检出、陷阱是否不会被误判」，通过后才写出文件。改数据请改脚本，不要手改表格。
