R

国自然生信实战05/20|差异表达怎么做才有解释价值?从统计显著到生物学意义

作者:发布于 2026-11-17约 13 分钟阅读
国自然生信实战第5讲:差异表达怎么做才有解释价值?从统计显著到生物学意义

国自然生信实战20讲 · 第05讲 · 从数据提出研究线索

国自然生信实战第5讲:差异表达怎么做才有解释价值?从统计显著到生物学意义
系列目录:国自然生信实战20讲(当前第5讲)
  1. 第01讲:国自然里的生信从哪里开始?把研究方向拆成可分析的问题
  2. 第02讲:公共数据怎么选?找到与你的研究问题真正匹配的数据集
  3. 第03讲:下载数据后先做什么?表达矩阵、样本分组和基因编号整理
  4. 第04讲:为什么有些数据不能直接分析?看懂异常样本与批次效应
  5. 第05讲:差异表达怎么做才有解释价值?从统计显著到生物学意义(本篇)
  6. 第06讲:富集分析结果太多怎么办?从通路列表提炼研究主线
  7. 第07讲:哪些基因值得继续研究?把表达、功能和文献证据放在一起
  8. 第08讲:基因升高说明了什么?区分单个基因变化与功能状态变化
  9. 第09讲:换一批数据还成立吗?手把手做独立队列验证
  10. 第10讲:差异真的是疾病造成的吗?识别混杂因素与缺失信息
  11. 第11讲:换个阈值结论就变了?用敏感性分析检查结果稳定性
  12. 第12讲:两个队列结果不一致怎么办?从差异中发现研究边界
  13. 第13讲:为什么整体组织的变化还不够?用单细胞定位表达来源
  14. 第14讲:是细胞变多了,还是细胞内部表达变了?拆解两种解释
  15. 第15讲:关键细胞发生了什么变化?从细胞类型走向功能状态
  16. 第16讲:细胞之间可能如何影响彼此?把通讯线索变成可验证的问题
  17. 第17讲:从一堆图到一个科学假说:整理现有证据与关键缺口
  18. 第18讲:生信之后做哪些实验?把候选线索拆成逐步验证的任务
  19. 第19讲:样本量和验证队列怎么规划?用模拟看清研究可行性
  20. 第20讲:把整个项目串起来:形成可复现分析包和完整技术路线

点击目录按篇次顺序学习;文末复现包包含全系列代码与起始数据。

差异分析的目标是估计变化,而不只是找显著

前四篇已经完成研究问题、样本筛选、矩阵整理和探索性质控。现在终于可以比较患者与对照。很多教程把这一步简化成“运行软件,筛选显著基因”,但在研究设计中,我们至少要同时回答三个问题:变化朝哪个方向、有多大、证据有多确定。一个很小的P值只回答其中一部分,不能代替完整解释。

本篇分析发现队列的74个活动期患者样本和11个结肠对照。表达值已经按提交者流程进行处理,适合用线性模型比较。我们采用limma,明确把Control设为参照,模型系数groupUC表示患者相对于对照的差异。后续出现正值时代表患者组更高,负值代表更低。这个方向必须在第一张图之前固定,否则不同文章的箭头可能彼此矛盾。

为什么这里使用limma

limma能够对每个基因拟合线性模型,并通过经验贝叶斯方法在基因之间共享方差信息。读者可以把它理解为:既关注每个基因自己的组间变化,也利用整张矩阵提供的背景信息,让不稳定的方差估计得到适当约束。这不意味着所有基因被强迫成相同变化,更不意味着样本不足的问题会自动消失。

工具选择取决于输入尺度。这里是已经处理的芯片表达,不是原始RNA测序计数,因此不把矩阵直接塞进计数模型。未来迁移到RNA测序时,需要重新确认输入是不是原始整数计数、是否存在配对与批次、哪种模型适合。借用本篇的研究思路可以,照搬每一个预处理步骤则不一定正确。

从模型公式理解比较方向

本篇公式中的group是一个有明确参照水平的因子。截距对应对照的基线估计,groupUC系数对应患者相对于对照的变化。读者可以先检查levels(m$group),再查看设计矩阵的前几行。如果参照组改变,系数名称和符号也可能改变。先理解这一点,再解释上调下调,可以避免跨文章使用相反方向却没有察觉。

请注意,模型里目前只有组别项。结果不是已经调整年龄、治疗和所有技术因素后的效应。公开资料不足的部分在第10篇展开。报告时应保持公式与文字一致:只做了组别比较,就不要把结果写成独立于临床因素的作用。模型的简单不是问题,隐瞒它回答的范围才是问题。

对于一个候选,建议同时查看三个文件位置:完整结果表中的统计字段、样本表达图中的分布、整理阶段的基因映射说明。统计值回答当前模型中的证据,散点帮助观察异质性,映射说明确认实际测量对象。三者一致时,继续研究的基础才更清楚;任何一处存在歧义,都应在解释中保留。

热图还有一个常见陷阱:筛选和聚类都使用同一批样本,所以图的整齐程度并不能证明模型能推广。读者可以把这个事实写在图注里,提醒未来读者它是发现阶段展示。若之后需要建立预测模型,应另行安排完整训练验证过程,不能直接把这25个基因当成已经验证的分类器。

实践时可以选一个变化较大但区间较宽的基因,再选一个变化较小但估计较精确的基因,比较它们为什么在不同排名规则中位置不同。这个练习有助于理解效应大小与统计精度是两个维度,也能避免把任何单一排序都当成唯一的研究优先级。

运行方法与输出检查

下载文末完整复现包后先解压,将R的工作目录切换到其中的workbook目录,再运行下方命令。不要只复制某一行分析语句,因为公共函数、输入文件和前序结果需要保持同一套目录关系。本篇读取两队列的整理表达与分组;附件已包含这些起始文件,因此可以单独学习本篇,也可以按顺序运行全系列。

Rscript scripts/05.R

脚本会把本篇表格和三张图写入results/05目录。运行结束后先检查输出表中的样本标识、列名与正文说明,再打开图片核对坐标和分组。出现报错时保留原始输入,先查工作目录、文件完整性及依赖版本,不要通过改分组或填补不存在的数据来让代码继续。下载包内的版本记录来自实际验证环境,安装时请保持R与Bioconductor依赖相容。

下面提供本篇完整R脚本;它会载入scripts/common.R中的公共函数。共用函数、数据整理代码和逐步日志也包含在复现包中,便于检查每一步的输入与输出。

source("scripts/common.R")
o<-start(5)
for(name in c("discovery","validation")){x<-read_expr(name);m<-read_meta(name);d<-fit_de(x,m);save_table(d,paste0(o,"/",name,"_de.csv"))}
d<-load_de();x<-read_expr("discovery");m<-read_meta("discovery");hit<-d$adj.P.Val<.05 & abs(d$logFC)>=1
fig(paste0(o,"/fig1.png"),{plot(d$logFC,-log10(pmax(d$adj.P.Val,1e-100)),pch=16,cex=.4,col=ifelse(hit,"#E78C49","#A9BBC3"),xlab="UC - Control (log2)",ylab="-log10 BH FDR",main="Effect size and uncertainty");abline(v=c(-1,1),h=-log10(.05),lty=2)})
top<-d$gene[1:25];z<-t(scale(t(x[top,])));z<-pmax(pmin(z,2),-2)
fig(paste0(o,"/fig2.png"),heatmap(z,Rowv=NA,Colv=NA,scale="none",labCol=rep("",ncol(z)),col=colorRampPalette(c("#199C97","white","#E78C49"))(41),margins=c(4,8),main="Top 25 genes: row z scores"))
fig(paste0(o,"/fig3.png"),barplot(c(Down=sum(hit&d$logFC<0),Up=sum(hit&d$logFC>0)),col=c("#199C97","#E78C49"),ylab="Genes",main="FDR < 0.05 and |log2FC| >= 1"))

看懂结果表里的几个关键列

logFC表示当前模型中的对数表达差异,在本篇尺度下可解释为log2倍数变化;P.Value是单个检验的原始P值;adj.P.Val是对整批基因检验进行BH校正后的结果;CI.L和CI.R是效应的区间估计。代码同时保存这些字段,避免后面只剩一列“显著或不显著”。区间为名义层面的置信区间,不是筛选后或多重比较同时置信区间。

本篇演示使用FDR小于0.05且绝对log2倍数变化至少为1的筛选规则。这个阈值是教学设置,不是适用于所有组织和实验的硬标准。变化较小但稳定、功能明确的基因可能有价值;变化很大但测量不可靠的基因也可能不适合继续研究。第11篇会专门检查改变合理阈值后结论是否稳定。

字段或图形 应该怎样理解 容易出现的误读
logFC 指定比较方向下的变化大小 正值天然等于促进疾病
原始P值 当前模型下的统计证据 一个很小的值证明机制
BH校正结果 对一批检验控制错误发现的量 等于该基因为假的概率
效应区间 对变化范围的不确定性表达 所有合理偏差已被排除
热图颜色 每行标准化后的相对高低 不同基因的绝对表达可直接比

火山图怎样读才有用

火山图横轴是变化大小,纵轴是校正结果的负对数。越靠左右表示变化越大,越靠上表示统计证据更强。颜色用于标记满足演示筛选条件的基因。观察时先看坐标与比较方向,再看总体分布,最后定位具体候选,不要只盯着最顶端几个点。很强的统计信号可能来自普遍的炎症变化,也可能是早已熟知的现象。

实际差异分析火山图,橙色为本篇示例阈值通过者。
图1:实际差异分析火山图,橙色为本篇示例阈值通过者。

一个值得警惕的问题是两组样本量不平衡。我们有74个患者样本,却只有11个对照,个别对照的变化可能对估计产生明显影响。线性模型能够计算结果,但无法创造缺失的对照信息。因此,解释候选时需要查看原始样本分布,并在后续做留一对照的敏感性分析。只报告整张火山图,无法判断信号是不是由少数点驱动。

热图漂亮不等于外部预测有效

本篇热图展示发现集中排序靠前的25个基因,并按每个基因进行行标准化。这样便于比较不同样本相对该基因均值的高低,但颜色不代表基因之间的绝对表达量。一个低表达基因和一个高表达基因都可能显示为红色,因为它们各自相对于本行均值较高。图注必须说清这一点。

发现集前25个基因的行标准分热图,不是独立验证。
图2:发现集前25个基因的行标准分热图,不是独立验证。

这些基因正是使用同一批样本分组筛出来的,所以热图出现组间分离并不构成独立验证。若要讨论诊断预测,还需要另行定义建模目标、训练与验证划分、数据泄漏控制及临床评价。本系列当前关注研究线索,暂不把差异筛选包装为一个诊断模型。下一阶段的独立队列用于检查关联是否得到外部支持。

上调和下调都值得保留

最后一张图统计满足当前规则的上调与下调基因。这个数量有助于描述分析结果,但不能用来判断“疾病有多严重”或“分析做得好不好”。不同队列的样本数、噪声、平台覆盖和处理流程都会影响显著基因数量。对研究设计更有帮助的是辨认稳定的功能方向及其可检验解释。

当前阈值下的上调与下调数量,不用于评价研究质量。
图3:当前阈值下的上调与下调数量,不用于评价研究质量。

例如,上皮相关候选的升高既可能与损伤有关,也可能反映组织试图修复。某个连接相关基因降低,则可能来自细胞状态改变或细胞组成变化。当前组织层面的差异无法区分这几种解释。我们把它们保留为待验证的问题,后面结合通路、外部队列和单细胞资料逐步缩小范围。

把结果写成别人能追溯的描述

记录样本纳入规则、输入尺度、模型比较方向、软件版本、校正范围和筛选阈值。保存完整结果表,而不仅保存通过阈值的基因。完整表能够让后续富集使用全部测到的背景,也能让读者知道某个重点基因究竟是不显著、没有被测到,还是在整理时被排除了。这三种情况具有不同含义。

本篇输出发现与验证队列各自的模型结果,但候选筛选规则仅使用发现结果确定,验证结果在第09篇展开。读者应按相同顺序实践,避免先看验证效果再改候选。下一篇将从基因列表走向功能集合,解释为什么“富集到了一个通路”还需要检查背景、方向和组成。

代码、数据与继续阅读

下载完整复现包:20篇R脚本、整理输入、起始结果、运行说明与版本记录。包含公共数据教学子集;不包含任何实际实验结果。解压后先阅读README。

承接第04讲:为什么有些数据不能直接分析?看懂异常样本与批次效应。

下一篇第06讲:富集分析结果太多怎么办?从通路列表提炼研究主线。

数据与方法来源

数据与方法核查日期:2026年11月16日。本文为教学二次分析;具体适用范围见正文。

需要把方法用到自己的数据中?

如果已有表达矩阵但不确定如何解释结果,可以准备分组说明、分析版本和关键结果摘要,沟通下一步分析与复核需求。 联系云生信,说明当前研究任务。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗