拿到转录组差异分析结果，很多人第一步就卡住了：P < 0.05 还是 padj < 0.05？|log2FC| 选 1 还是 0.58？筛出来只有几十个基因，能不能把阈值放宽？
这些选择会影响后续的富集分析、候选基因筛选和实验验证。下面以有生物学重复的 bulk RNA-seq 组间比较为例，把阈值的含义、适用场景和容易踩的坑讲清楚。
一、转录组差异基因阈值怎么选？先看这张表
如果研究目标是筛选变化较明显的候选基因，padj < 0.05 且 |log2FC| ≥ 1可以作为常见的候选列表筛选起点，但它不是所有课题通用的标准。下面是便于制定方案的场景建议，应在查看目标基因是否入选之前确定。
| 研究目的 | 可考虑的方案 | 需要注意 |
|---|---|---|
| 筛选变化较明显的候选基因 | padj < 0.05，|log2FC| ≥ 1 | 结合表达量、重复一致性和研究相关性继续筛选 |
| 关注较温和、但可能有意义的变化 | padj < 0.05，|log2FC| ≥ log2(1.5)，约 0.585 | 需有接受 1.5 倍变化的生物学理由，不能只因基因少而调整 |
| 探索性研究，后续能做独立验证 | 可预先设置 padj < 0.10，并说明效应量要求 | 明确标注为探索结果，接受更高的假发现风险 |
| 研究通路整体变化 | 可使用适合的全基因排序开展 GSEA | 不必先筛出一批显著差异基因；仍需报告通路层面的多重检验结果 |
阈值服务于研究问题，不能用来凑出“合适数量”的基因。若要正式检验变化是否超过某个倍数，应使用下文介绍的效应量阈值检验；它与结果表上的双条件筛选有所区别。
二、P 值、padj 和 FDR，应该看哪一列？
转录组通常同时检验成千上万个基因。仅用原始 P 值筛选，会面临多重检验问题。因此，判断全转录组范围的统计显著性时，通常优先看经过多重检验校正的结果，并核对所用方法。
- P 值：单个检验的统计结果，不等于“这个基因是假阳性的概率”。
- padj / FDR 列：常见流程提供的校正后结果，具体定义以软件输出为准。DESeq2 默认使用 BH 校正。
- FDR < 0.05：在相应统计假设成立时，控制所判显著结果中假发现比例的期望；不是保证本次名单恰好只有 5% 错误。
BH 方法的定义可查阅 R 官方多重检验校正文档。结果表若同时有 pvalue 和 padj，不要因为后者筛不到预期基因，就悄悄换用前者。
三、|log2FC| 选 1 还是 0.58？先把倍数算对
设比较方向为“处理组相对对照组”，log2FC 为正表示上调，为负表示下调。log2FC = 1 对应 2 倍，log2FC = −1 对应 0.5 倍；约 ±0.585 对应 1.5 倍或其倒数。实际设置 1.5 倍阈值时建议使用 log2(1.5)，避免把 0.58 当作精确值。
两倍变化便于理解，却不是生物学意义的统一分界线。调控信号可能表现为较小但一致的变化；低表达基因也可能因估计不稳定而出现很大的倍数。不能把“倍数大”直接等同于“值得做实验”。
选候选基因时，建议同时看各样本表达分布、效应量估计的稳定性、独立证据和验证可行性。DESeq2 的效应量收缩可用于改善排序和展示，相关方法见 DESeq2 原始研究。报告中应说明筛选用的是原始估计还是收缩后的估计。
四、差异基因太少或太多，先检查什么？
差异基因太少：先分清是信号弱，还是分析有问题
- 检查输入和分组：是否拿到了适合所用方法的计数数据？样本名与分组表是否一一对应？比较方向是否正确？
- 检查样本质量：结合 PCA、样本相关性和原始质控记录判断异常，不能为了让结果显著而删除样本。
- 检查实验设计：配对信息、批次及重要协变量是否合理纳入模型？如果批次与分组完全重合，单靠统计校正无法拆开二者。
- 检查统计功效：样本少或组内差异大时，真实变化也可能未达到显著。没有显著差异，不等于证明没有生物学变化。
生物学重复对检出能力的影响见 Schurch 等人的 RNA-seq 重复数研究。具体样本量仍应结合物种、组织异质性和目标效应评估，不能照搬一个固定数字。
差异基因太多：别只想着提高阈值
强烈处理效应、组织组成变化或技术因素，都可能使大量基因出现变化。先确认设计和数据，再按研究问题缩小候选范围。准备挑选验证基因时，可增加独立队列一致性、通路关联和实验可行性等证据；不要只保留最容易讲故事的一小部分。
可以预先比较几组合理阈值下的候选名单与主要通路，作为敏感性分析，并记录结论是否稳定。若一点点阈值变化就让核心结论翻转，应如实说明这种不稳定性。
你也遇到了“一个基因都筛不到”或“换个阈值结论就变”的情况？
先准备每组样本数、是否配对、当前软件和筛选条件。联系云生信，咨询差异分析与阈值复核，先把问题定位清楚，再讨论后续分析范围。
五、一个常被忽略的区别：筛结果与检验倍数阈值
“先检验是否存在变化，再筛选 |log2FC| ≥ 1”与“直接检验真实变化是否超过两倍”回答的是不同问题。前者适合形成候选列表；不能据此直接宣称，列表中的每个基因都已获得“真实效应超过两倍”的统计证据，也不能自动把原检验的 FDR 保证套在任何事后筛选的子集上。
若研究问题明确关注超过某一最小效应的变化，可采用相应阈值检验。这个思路见 TREAT 方法论文；edgeR 可使用 glmTreat()，详见 edgeR 分析流程论文。
下面仅演示两种结果提取方式。前提是 dds 已按正确设计完成 DESeq()，分组列为 condition，水平确实为 treated 与 control；不能直接把示例标签照搬到自己的数据。
# A. 常见候选列表：零效应检验后，再按估计倍数筛选
res <- results(dds,
contrast = c("condition", "treated", "control"), alpha = 0.05)
deg <- res[which(!is.na(res$padj) & res$padj < 0.05 &
abs(res$log2FoldChange) >= 1), ]
# B. 检验真实效应是否超过两倍，P 值会重新计算
res_effect <- results(dds,
contrast = c("condition", "treated", "control"),
alpha = 0.05, lfcThreshold = 1, altHypothesis = "greaterAbs")
deg_effect <- res_effect[which(!is.na(res_effect$padj) &
res_effect$padj < 0.05), ]DESeq2 的输入、设计、alpha 和 lfcThreshold 说明见 官方使用文档。不要把 TPM/FPKM 直接作为常规 DESeq2 计数矩阵输入；padj = NA 也不等于 P 值为 1，需检查低计数独立过滤、全零表达或异常值等原因。
六、差异基因不多，还能做富集分析吗？
先区分两种常见分析：过度富集分析（ORA）以筛选后的基因列表为输入；GSEA关注基因集在排序中的整体分布，可以保留未达到单基因显著性阈值的信号。
进行 ORA 时，应选择与检测、过滤和注释范围一致的合理背景基因，并说明是否分别分析上调与下调基因。做 GSEA 时，不要只输入已筛出的显著基因；例如针对 DESeq2 的两组 Wald 检验，可以使用具有方向的 Wald 统计量排序，并处理缺失值及重复基因标识。具体设置参见 GSEA 官方指南。
GSEA 可以帮助观察分散但一致的信号，但不能保证一定产生显著通路，也不能修复分组错误、混杂或样本质量问题。不要为得到某条预期通路而反复修改阈值、背景集和基因集。
七、准备选基因做验证？把这些信息一起带上
真正影响后续实验投入的，是候选是否可靠、证据是否一致、验证能否回答研究问题。只有一张火山图，通常不足以判断。
咨询时可以直接复制下面这份清单，先填写已有信息：
- 研究问题：物种、组织或细胞类型，最希望回答什么问题。
- 样本设计：各组样本数，是否配对，是否存在不同批次。
- 已有数据：计数矩阵、分组表，或包含表达量、log2FC、P 值与 padj 的完整结果表。
- 当前设置：分析软件、比较方向、阈值，以及目前筛出的基因数量。
- 下一步目标：候选基因验证、通路解释，或已有分析结果复核。
云生信提供转录组分析与定制分析支持。可以围绕分组设计、差异结果复核、阈值敏感性分析、富集解释和候选基因优先级沟通需求；具体服务范围、交付内容、周期与费用，在了解数据后确认。
已有数据但不确定下一步怎么做，可先查看云生信分析服务；使用公共数据的读者，也可以继续阅读GEO 数据挖掘：从数据筛选到结果验证。