样本数量有限时，很多人会想到一个补救办法：
“每组只能做少量样本，那就把每个样本测得更深一些，能不能补回来？”
如果主要目标是做基因层面的差异表达分析，通常不能简单这样换算。
测序更深，能让同一个样本中的 reads 更多；增加生物学重复，才能帮助我们了解同一组不同个体之间的真实波动。两者解决的不是同一个问题。
先区分两种“不够”
RNA-seq 结果不理想，可能是两种完全不同的原因：
- 读得不够：某些低表达基因、转录本或剪接事件没有获得足够 reads。
- 样本不够：组内差异估计不稳定，难以判断观察到的变化能否代表这一组。
前一种问题可能通过增加测序深度改善；后一种问题通常需要更多独立生物学样本。把同一个样本测得再深，不能产生新的个体信息。
为什么差异表达通常更看重生物学重复
一项基于 MCF7 细胞的 RNA-seq 研究系统比较了“增加 reads”和“增加生物学重复”。在该研究的数据范围内，当测序达到一定深度后，继续增加 reads 对差异基因检出能力的提升逐渐变小，而增加生物学重复仍能明显改善统计把握和变化倍数的估计。
这项研究不能直接给所有物种和样本规定统一深度，但它说明了一个重要原则：测序深度存在边际收益递减，生物学重复提供的是另一类信息。
临床组织、肿瘤样本或异质性较大的材料，所需深度和样本数都可能不同，不能把某个细胞系研究中的具体 reads 数机械套用到自己的项目。
预算有限时，哪一项更值得优先
| 主要研究目标 | 更需要关注 | 设计提醒 |
|---|---|---|
| 基因层面的差异表达 | 独立生物学样本、组内差异和合理的基础深度 | 达到任务需要的深度后，优先评估增加样本是否更有效 |
| 低表达基因检测 | 测序深度和样本质量 | 增加深度可能有帮助，但仍不能替代生物学重复 |
| 可变剪接或转录本分析 | 更高覆盖、读长与建库策略 | 不能只按常规基因差异表达的深度规划 |
| 融合基因或稀有事件 | 覆盖、文库类型和专门分析方案 | 在送样前明确目标，避免标准方案无法覆盖 |
| 临床异质性研究 | 样本量、协变量、分层和批次控制 | 少量样本测得再深，通常仍无法解决个体差异 |
| 已有固定样本，先做探索 | 结论边界与后续验证 | 可缩小问题，但不要把探索结果包装成稳定群体结论 |
一个更实用的预算分配顺序
- 先保证样本真正独立。不要把同一样本的分装或重复上机当成新增生物学样本。
- 再保证样本质量和分组可解释。取材、RNA质量、批次和混杂因素，比单纯堆 reads 更早影响结果。
- 为主要研究任务配置合理深度。基因表达、剪接、融合和低丰度目标的需求不同。
- 剩余预算再比较加样本还是加深度。结合组内差异、预期变化和样本获取成本判断。
如果样本非常珍贵、已经无法增加，也不是简单地“不能做”。这时更需要提前缩小问题、明确探索性结论，并把后续验证安排进整体方案。
为什么最好把测序和分析一起设计
只讨论“测多少G”或“多少 reads”，容易忽略后续到底分析什么。
如果标准分析只需要基因定量和基础差异，设计重点是一套逻辑；如果还要做剪接、转录本、复杂分组、机制筛选或多组学整合，样本、建库和分析路径都应提前调整。
因此，更适合的流程不是测序完成后再问“还能做什么”，而是先把研究问题、样本、测序和分析交付放在一张方案里确认。
先看现有样本，再决定预算放在哪里
如果你正在“增加样本”和“增加测序深度”之间犹豫，可以先用 RNA样本数助手查看两组独立样本的初步趋势。需要人工确认时，请准备研究目标、样本来源、每组可用样本数、希望分析的内容和预算限制。
我们会先判断你的问题更受样本量、样本质量、测序深度还是分析设计限制，再讨论单独的生信方案，或“测序＋标准分析＋定制化分析”的整体路径。
