表达量接近零时,为了取对数,我们常加一个小数。它看起来只是技术细节,却可能影响变化幅度和候选排序。本次用真实pasilla计数,让云生信BioAgent比较伪计数1与0.1,得到一个值得记住的结果:按变化绝对值排列的前20个基因,两份名单只有13个重合。
这个例子不是正式差异表达分析。我们没有计算P值或FDR,而是用一个边界清楚的探索任务,理解公式中的小选择如何进入最终图形和名单。

只用四个双端测序样本,先把比较口径写清
输入来自Bioconductor官方pasilla包,原矩阵为14,599个基因、7个样本。此次按样本表选取type=paired-end的四个样本:treated2、treated3、untreated3、untreated4,两组各两个。
paired-end是测序类型,并不表示treated2和untreated3来自同一个体。本次没有建立个体配对,也没有因样本名或文件顺序而随意连线。选择这一子集,是为了在相同测序类型中演示计算规则;不能据此宣称消除了所有技术差异。

每个样本先用完整基因计数总和计算CPM;保留这四个样本中至少两个CPM≥1的基因,得到7,873个。然后分别计算treated组和untreated组的平均CPM。这里先求组平均,再加伪计数并取log,与逐样本取log后平均不是同一个量。
两个公式,决定横轴和纵轴的含义
设T为处理组平均CPM,U为未处理组平均CPM,p为伪计数。本次定义M=log2((T+p)/(U+p)),A=[log2(T+p)+log2(U+p)]/2。左图采用p=1,横轴A代表平均表达尺度,纵轴M代表两组均值的对数比。
右图比较同一个基因在p=0.1和p=1时的M。若完全不受伪计数影响,点应接近对角线;偏离越大,表示这个定义下变化幅度更依赖p。我们没有用红点标“显著基因”,因为根本没有运行显著性检验。

运行前还发现一处值得记录的问题:最初方案把普通DataFrame的行号当成基因ID。我们要求改为从原矩阵gene_id列提取FBgn编号,再继续运行。一个错误的ID列可能不影响散点形状,却会让后续候选查询全部错位,因此必须核对。
真正变化的,是幅度和排序
| 核对项目 | 实际结果 | 如何理解 |
|---|---|---|
| 保留基因 | 7,873 | 两种p使用同一集合 |
| 前20名交集 | 13 | 两个候选列表并不相同 |
| M改变正负号的基因 | 0 | 由当前公式决定,不能单独证明稳健 |
| 变化最大ID | FBgn0085359 | 应回查均值和原始计数 |
| 该基因M,p=1 | -2.79135 | 探索性均值比 |
| 该基因M,p=0.1 | -4.60864 | 绝对幅度更大 |
| 两版本M绝对差 | 1.81729 | 低表达计算选择有实质影响 |

名单交集13意味着,各自20个位置中有7个成员没有在另一份前20中出现。不能把它改写成“所有基因中35%不稳定”,因为这个百分比只针对人为截取的Top20集合;也不能只报告交集而不保存全部7,873个基因的结果。
最大变化基因FBgn0085359在两个p下方向都是负,但幅度从约−2.79变为−4.61。下一步应回查它在四个样本中的计数、组均值以及重复差异,而不是直接把更大的那个数当成更强的生物学结论。
为什么方向不变,不是额外的可靠性证据
只要给两组均值加的是相同正数p,T+p与U+p的大小关系就和T、U相同。因此当T>U时M为正,T<U时M为负;改变p会改变幅度,却不会改变这个公式的正负号。这里观察到零个方向变化,符合数学定义。
平台的简短解释把“方向没变”和“结果较稳定”放在一起,写作时我们进一步拆开了这两个判断。方向保持不能用于夸大稳健性,真正需要关注的是幅度变化、候选成员变化,以及它们是否集中在低表达区域。
这一点体现了对结果继续追问的价值:拿到图以后,还要问“这个现象是数据告诉我们的,还是公式本来就保证的?”两者都可以正确,但能提供的研究证据不同。
MA图看见了什么,又还缺什么
这张图可以帮助定位低表达区的大幅变化,观察组均值关系和伪计数敏感性。它没有估计基因间离散度,没有充分利用重复的变异建立统计模型,也没有进行多重检验。
所以不能把|M|较大的点直接称为差异表达基因。均值差异大但重复极不一致的基因,未必能通过正式检验;相反,幅度适中但重复稳定的基因也可能值得关注。仅靠均值比例无法处理这些情况。
如果研究目标是正式筛选候选,下一步应回到完整实验设计,决定用哪些样本、是否加入测序类型等协变量,并运行合适的计数模型。可参考DESeq2官方文档,但不能把本文图称为DESeq2输出。
把参数敏感性变成常规对话
这次BioAgent在已有平台Python环境中完成计算,交付PNG/PDF、全基因A/M两版本表、样本清单、汇总和代码。我们独立复算了保留数量、Top20交集以及最大幅度差,和实际产物一致。
你可以迁移同样的提问方式:“固定输入和过滤,只改变这个参数;导出全部结果,列出变化最大的对象,不只给一张图。”这种任务适合让聊天界面承担组织计算的工作,再由研究者判断哪些差异真正影响结论。
读者可以这样完成第一次操作
进入BioAgent后新建研究,上传本篇下载包input目录中的counts和samples两份CSV,等界面显示两份附件均已就绪,再发送需求。counts第一列是gene_id,其余每列一个样本;samples每行一个样本,sample必须与矩阵列名一致。附件名称已经区分数据集,第一次练习建议保持原名,方便核对。
下面是本次实际使用的初始提问,可复制后按自己的数据修改:
用本轮pasilla真实数据画探索性MA图与伪计数敏感性图。平台Python,不装包。只用type=paired-end的四样本(按样本表识别),每组treated/untreated各2。CPM分母为各样本全基因counts总和;保留这四样本中至少2个CPM>=1的基因。先分别算两组平均CPM,再以p=1计算M=log2((treated_mean+p)/(untreated_mean+p))、A=0.5*(log2(treated_mean+p)+log2(untreated_mean+p))。左图A/M,右图同基因M(p=0.1)对M(p=1),不标显著红点,不算p值,不叫DESeq2结果。输出全部保留基因均值/A/M两版本CSV、按abs(M)前20名单的交集数、改变符号数量、|M差|最大基因及数量汇总、PNG/PDF、代码。说明paired-end是测序类型,非个体配对。生成可运行方案。
收到方案后打开“查看方案并确认”,核对数据文件、计算位置、过滤规则和输出要求,再点击“确认并开始”。任务完成后进入“研究成果”,在“图表”查看图,在“文件”下载明细与代码。如果界面提示失败,应查看记录或要求诊断,不能把未完成状态当成成功。
第一次练习先保持方法一致,核对本文的核心数字;之后再改变一个条件,例如过滤阈值或绘图标签,并保存前后两版。自己数据的列名、单位或分组不同,要在提交前明确说明,不应把本例参数直接当成所有研究的默认答案。
下载数据,自己核对一次
下载本篇公开输入、图表与实际运行代码。附件含整理后的counts、样本表、结果CSV、PNG/PDF及代码,来源见README。代码采用平台运行时路径,迁移到本机时需配置输入和输出,不能直接视为本机一键脚本。

打开云生信BioAgent,从附件公开数据开始,亲自比较两种p。先让一个小参数的影响变得可见,再把同样的检查习惯用于自己的数据,往往比直接追求一份长长的候选名单更有收获。
本系列继续读
- 相关性只有0.68,就要删样本?我把真实转录组数据交给 BioAgent 查了一遍
- 测序量差不多,表达数据就可比吗?让 BioAgent 画出被总数遮住的组成差异
- 同一批基因,热图为什么变了颜色?用 BioAgent 实做一次双尺度对照
- 低表达基因过滤,会把PCA画成另一个故事吗?让 BioAgent 用三套阈值实测
- 一条均值曲线,会遮住什么?让 BioAgent 同时画出阶段趋势和真实重复
- 差异分析之前,先让 BioAgent 检查分组表:pasilla 真实数据的设计审计
- PCA分成两层,是处理效应还是测序类型?用 BioAgent 把两个因素一起画清楚
- 配对信息不该丢在样本表里:让 BioAgent 给PCA加上四条供体箭头
- 平均变化很大,四个供体都同意吗?用 BioAgent 看见每一条配对线
实操数据与截图采集于2026年11月。界面和环境可能更新,以使用时页面为准。本文保留真实计算口径与结果边界。

