转录组测序这行干久了会发现一个很有意思的现象不管来咨询的是刚接触测序的学生还是做了好几轮项目的科研人员翻来覆去问的问题就那么十几个。样本该准备多少、生物学重复要不要加、比对率低是怎么回事、差异基因筛出来太少怎么办、富集分析结果全是代谢通路……这些问题几乎出现在每一个转录组项目里。所以就有了这篇收藏贴。我把自己这些年处理转录组数据时被问得最多的问题连同背后的原理和解决办法一次性整理出来。内容覆盖实验设计、数据质控、差异分析、功能富集和常见报错排查不管你现在是正准备送样还是已经拿到了下机数据卡在分析环节这篇都能帮你少走不少弯路。1. 实验设计阶段决定项目成败的往往是送样前的问题很多人以为转录组项目是从拿到数据那一刻开始的其实不是。数据质量的上限在实验设计阶段就定死了后期分析只能尽量不浪费数据很难凭空提升质量。所以先聊送样前最常被问的几个问题。1.1 生物学重复到底要设几个这是被问得最频繁的问题没有之一。总有人想省成本问能不能一个样本一个重复或者两个重复凑合一下。我的回答一直很直接转录组测序的生物学重复最低建议是3个条件允许的话做4到6个更好。为什么3个是底线因为差异表达分析本质上是在估计组内方差。如果一个组只有1个样本统计上你根本算不出这个组的离散程度做差异分析的时候软件只能硬套一个先验方差结果就是假阳性率失控。2个重复虽然能算方差了但这个方差估计极其不稳定很多软件在2个重复的情况下会默认用保守的方差估计策略导致原本显著的差异被压下去检出率明显降低。从实际效果来说3个重复是性价比最高的起点。4到6个重复在检测较小倍性变化比如1.5倍左右时会有明显优势如果你的实验预期效应量不大或者做的是临床样本这种本身异质性高的材料我建议直接做5个以上。注意这里说的重复是生物学重复不是同一样本跑两次测序的技术重复。技术重复只能评估实验操作稳定性不能替代生物学重复因为统计推断需要的是个体间的差异信息。1.2 组织样本采集和保存到底有什么讲究很多人的RNA提取失败或者RIN值偏低问题往往出在采样环节。采样这块有几个实操经验值得记下来组织离体之后要尽快切成小块厚度控制在0.5厘米以内这样液氮速冻才能快速渗透进去。整块组织直接扔液氮表面冻住了里面还是活的RNA降解已经开始发生了。我见过有人把黄豆大的组织块直接泡进TRIzol带着到处跑这种其实可行因为TRIzol能迅速变性蛋白、抑制RNase常温放置几个小时问题不大但前提是组织块要小让裂解液充分渗透。保存温度方面液氮是最稳妥的。如果只能放在-80°C冰箱取出后要尽量缩短操作时间研磨的时候保持低温最好在液氮环境中研磨不能让组织在室温下化冻。做过的人都知道化冻一次再提取RNA质量基本就废了。送样前的RNA质量检测也很关键。大部分人只看OD260/280我建议把RIN值作为更重要的指标。RIN值大于8是比较理想的状态7到8之间还能接受低于7做转录组风险就很大文库构建时接头连接效率会下降数据质量大概率不达标。1.3 链特异性文库要不要做这个问题以前争论很多现在行业里基本形成共识了常规转录组项目建议直接做链特异性文库。链特异性文库和非链特异性文库的核心区别在于前者保留了转录本来自哪条链的信息。这个信息带来两个直接好处一是基因注释更准尤其对于基因组上存在反义转录本或者基因重叠的区域非链特异性文库根本分不清reads来自哪个基因二是做转录本异构体分析时链特异性数据可以减少很多假阳性。另一个实用价值是它不增加什么成本。现在的建库试剂盒大多默认支持链特异性流程价格差别很小。既然信息多了而且几乎不贵没有理由不做。当然如果项目目标是分析小RNA或者做某些特殊的建库方案那另说。常规的mRNA转录组我建议闭眼选链特异性。2. 数据下机之后从fastq到表达量矩阵每一步都有坑拿到下机数据后很多人迫不及待就开始跑流程。我的建议是先别急着分析按顺序把这几个环节走扎实不然很容易在一堆报错中来回折腾。2.1 原始数据质控到底该看哪些指标质控这一步看起来简单但很多人只会看个Q30就完事了。Q30是重要但不是全部。我通常按这套逻辑来评估首先看碱基质量分布。fastqc报告里每个位置的质量分数曲线如果出现尾部显著下降是很正常的因为测序越往后质量越差。但如果前几十个碱基质量就已经很差可能是接头污染或者建库出了问题。还有一种常见情况是某些位置质量突然跌下去又回升这在部分平台的数据里偶尔出现通常和测序试剂批次有关如果没有明显影响比对率就不用太纠结。然后看GC含量分布。正常转录组数据的GC含量曲线应该是近似正态分布的单峰这反映了转录组本身的GC分布特征。如果出现双峰往往是混入了其他来源的序列比如核糖体RNA残留或者接头二聚体。这个指标比很多人想象的重要因为双峰往往意味着建库过程有污染。还有一个常被忽略的是duplication率。转录组测序的duplication率高不一定代表数据不好因为高表达基因本身的reads就大量重复。但对于duplication率异常偏高的样本比如超过70%就要警惕是不是文库复杂度不够可能的原因是起始RNA量太低或者PCR扩增循环数太多。2.2 参考基因组比对率低要怎么排查比对率是数据质量的直观体现。正常的转录组数据比对到参考基因组的比例通常应该在80%以上人、小鼠这种参考基因组质量好的物种90%以上都是常见水平。如果你的比对率明显偏低按这个顺序排查第一步看比对到多个位置的reads比例。如果multi-mapped reads占比偏高往往是因为参考基因组里重复序列区域多或者你看的物种参考基因组质量差。这种情况可以考虑换更完善的参考基因组版本或者在定量时用multi-mapping过滤策略。第二步检查核糖体RNA残留。转录组数据中rRNA应该被有效去除但如果建库时rRNA去除不彻底会有大量reads比对到rRNA区域。严格说rRNA reads也能比对上去但会挤占有效数据的比例让真正代表基因表达的reads占比变低。这一步可以通过fastqc的overrepresented sequences初步判断。第三步看比对软件的参数设置。很多人用默认参数的STAR或者Hisat2直接跑对于有些数据这些默认参数并不合适。比如reads长度很短的数据可能需要调整最大比对长度或者允许的错配数。还有一个常见坑参考基因组版本和注释文件版本不匹配这会导致比对和定量都出问题。下载的时候务必看清楚了基因组的gtf和fa文件要来自同一个版本不然基因注释对不上比对率也会被拉低。2.3 定量工具选HTSeq还是featureCounts这是一个争论了很久的问题。我的态度很明确做基因水平定量优先用featureCounts。原因很简单速度快内存占用低结果稳定。featureCounts是专门为read计数设计的工具运行效率比HTSeq高出一个数量级处理一个普通的人类转录组样本也就几分钟的事。HTSeq是Python写的逐条read循环处理速度慢很多但在某些特殊的定量需求下比如需要非常严格的计数模式仍有价值。不过真正建议关注的不只是工具本身而是定量时对多比对reads的处理策略。默认情况下featureCounts只统计uniquely mapped reads也就是只统计能唯一比对到基因组一个位置的reads。这对大多数基因表达分析是合理的因为多比对reads往往来自重复序列区域它们是否计入对基因差异表达分析的影响很小。还有一个容易被忽略的参数是paired-end数据的文库方向性。如果你的数据是链特异性文库定量时需要指定正确的strandness参数。这个参数不对计数结果会全面出错而且不容易在早期发现。判断方法是检查一个已知链方向性的基因比如某些只在正链表达的基因如果反链也能数到大量reads说明参数设置反了。实操提示featureCounts的输出结果里有一个summary文件记录了各类reads的计数去向。我每次跑完都会先看这个文件如果某个样本的Unassigned_NoFeatures比例特别高说明基因注释和reads长度可能不匹配这个检查习惯帮我发现了不少样本问题。3. 差异表达分析筛选标准、结果数量、样本聚类三大高频困惑差异分析是转录组项目的核心环节也是问题最多的地方。这里挑三个讨论度最高的问题展开。3.1 差异基因筛选阈值怎么定padj还是pvalue这是被问得最多的问题之一很多初学者搞不清楚为什么有的文章用pvalue有的用padj到底该听谁的。简单说如果做了多重检验校正应该用校正后的padjadjusted p-value。因为单个基因单独算p-value时只要这个基因在两个组之间有差异就能得到一个显著的p值但你一次检测了两万个基因纯属碰巧也会有两千个基因的p值小于0.05这就是多重检验问题。DESeq2默认用的是Benjamini-Hochberg校正这也是该领域最常用的方法。常见的筛选标准是|log2FoldChange| 1且padj 0.05也就是表达量差异超过2倍且统计学上显著。但这里有个不少人不太理解的细节如果你的生物学差异非常显著比如敲除一个关键基因后下游靶基因变化巨大用padj 0.05完全没问题。但如果你的差异效应比较弱比如药物处理后的全转录组变化幅度不大用padj 0.05可能会筛出很少甚至零个差异基因。这时有人会退回去用pvalue 0.05这虽然不推荐但在预实验探索阶段可以接受前提是你在文章里如实说明。如果确实要降低阈值我更推荐放宽倍数变化的标准同时保留padj比如|log2FoldChange| 0.585即1.5倍且padj 0.05而不是放弃多重检验校正。3.2 为什么差异基因数量和我预期差很多这个问题的答案通常藏在数据里我一般按四个方向排查。首先看组内变异是否过大。这是最常见的原因。生物学重复之间如果表达谱差异很大组内方差就大统计上很难检测出组间差异差异基因数量自然少。这种情况可以在PCA图上看出来如果同组样本散得很开就要反思样本本身的异质性来源。其次看测序深度。测序深度不够会直接影响低表达基因的检出也会让count数偏低。DESeq2对低count数的基因进行差异检验时置信度很低大量低表达基因会被过滤掉。如果测序深度只有5M到10M clean reads差异基因数量少一点都不奇怪。再看效应量。有些基因确实存在生物学差异但倍数变化只有1.2倍或1.3倍这种微小变化在转录组层面很难被稳定检测到需要极大的样本量才能拿到显著结果。你的实验设计和预期效应量是否匹配这是一个需要正视的问题。还有一个隐蔽的坑参考基因组注释版本不同或者使用了不同来源的注释文件基因数量本身就会有差异。一个版本的gtf注释了25000个基因另一个版本可能是28000个定量结果的差异基因自然也不同。3.3 重复样本PCA分不开怎么办PCA图分不开本质上说明组间表达差异小于组内表达差异也就是组间变异不占主导。这个情况让很多人焦虑但先别急着下结论。第一步确认分组有没有标错样本名字和分组信息在传递过程中最容易出错。这一步排查看起来低级但我真的遇到过因为样本名字写错导致整个分组颠倒的情况。第二步看是不是存在批次效应。如果同批提取、同批建库的样本聚在一起而不是按实验分组聚在一起说明批次效应干扰了生物学差异。这种情况下可以尝试用ComBat-seq或者RUVseq做批次校正但注意校正批次的前提是你知道批次来源且批次和实验分组没有完全混杂。第三步重新思考数据过滤和处理方式。有些情况下PCA分不开是因为大量低表达基因的噪声压制了差异信号在DESeq2的vst或者rlog变换之前做一下低表达基因过滤可能会让PCA图变得清晰很多。还有一个容易被忽略的点PCA分不开不代表差异分析没有结果。PCA是全局表达谱的宏观视角如果差异基因只占全转录组的很小比例这些差异信号在PCA中可能完全被淹没但差异分析依然能找到这些基因。所以PCA不好看不等于项目没价值要看差异分析的具体结果。4. 下游功能分析富集分析的正确打开方式筛出差异基因只是完成了前半程后续的功能注释和富集分析才是把生物学故事讲完整的关键。这里也有好几个高频问题。4.1 GO和KEGG富集分析该用什么工具工具选择上我比较推荐clusterProfiler。它是R包维护活跃支持GO、KEGG、GSEA等多种富集分析而且结果可以直接可视化。这个包背后调用的是OrgDb注释数据库比如人的用org.Hs.eg.db小鼠的用org.Mm.eg.db装好之后统一做ID转换和富集分析整个流程非常顺。很多人会问要不要用在线网页工具。如果只是做一个简单分析用网页工具比如某些在线平台确实方便但有两个问题一是很多在线工具的数据库更新不及时注释信息可能是几年前的版本二是KEGG数据库的物种特异性注释差异很大尤其对于非模式物种在线工具给的注释可能不够准确。所以对于正经的课题分析我还是建议用clusterProfiler跑本地分析可控性更强。还有一个关键细节富集分析之前要明确你的背景基因集是什么。如果只拿差异基因做富集背景默认是全基因组的所有基因。但如果你想看的是特定通路内部的变化或者你研究的物种注释不全可能需要自定义背景基因集。这个选择直接影响富集结果的解释很多人在这里踩坑却不自知。4.2 为什么富集结果全是代谢通路每次看到这种问题我都想笑因为这几乎是转录组分析中最普遍的幻觉之一。富集结果全是代谢通路主要有两个原因。第一个原因是数据库本身的偏向性。KEGG数据库里注释最全、条目最多的就是代谢相关通路如果你拿全转录组的所有差异基因去做KEGG富集代谢通路天然会排在前面这是统计学上的先验偏向不代表你的数据在生物学上就是代谢变化。第二个原因更隐蔽你的差异基因数量太多或者太少都容易产生这个现象。差异基因太多时富集分析会把大量基因同时映射到多个通路上代谢通路因为基因多所以更容易显著富集差异基因太少时富集分析的统计效能不足只有那些基因数量多的大通路再次是代谢通路才能凑够显著的基因数小通路根本找不到足够的基因支持。排查方法是先看差异基因列表本身。如果去重后的基因功能分布本身就是代谢相关占主导那结果没问题。如果差异基因里明明有很多免疫相关基因但富集结果却全是代谢那就是数据库注释或分析参数的问题。这时候可以做两件事一是检查使用的物种对应的KEGG注释是否完整二是试试用GO的BP生物过程分类来看通常GO注释比KEGG更细能反映出KEGG看不到的功能信号。4.3 GSEA和GO富集分析到底怎么选简单说GO富集分析用的是差异基因列表GSEA用的是所有基因的表达变化排序。GO富集分析这类方法叫over-representation analysis它只关注哪些基因被选中了完全不关心没被选中的基因发生了什么变化。它的缺点是有一个阈值截断问题用padj和log2FC阈值筛差异基因时一些真实存在但变化较小的基因被排除在外而这些基因可能恰好集中在某个有生物学意义的通路上。GSEA基因集富集分析解决了这个问题。它把所有基因根据表达变化从高到低排序然后看每个基因集在排序中的分布是否显著偏向某一端。好处是不需要预设阈值能捕捉到微弱的但协调一致的变化信号。这在实际项目中非常有用比如有些通路里单个基因的变化都不显著但如果整条通路的基因普遍轻微上调GSEA能检测到这个趋势。我的建议是如果你的差异基因数量足够多、信号足够强GO和GSEA可以同时做。如果你想验证某个特定通路是否发生了变化GSEA是更合适的工具因为它能给出该通路上调还是下调的整体方向。把两者结合使用是最常见的科研文章策略。5. 问题排查实录那些让人熬夜的报错和异常结果最后分享几个我在实际项目中遇到的典型问题以及排查思路。每一个都是真实项目里发生过的事希望能帮你少走弯路。5.1 质控过滤后数据量骤减什么都剩不下某个项目用cutadapt做接头去除和低质量碱基过滤之后原本10M的reads只剩下了不到30%。拿到这个结果我第一反应不是去调整过滤参数而是先去看原始数据里到底是什么序列。结果发现很大比例的reads是测序接头二聚体。也就是说建库环节出了问题文库里有大量没有插入片段的接头序列直接被测序了。这种问题的根源在建库不在分析。分析最多只能帮你判断问题出在哪里救不了这批数据。解决方式是重新建库同时在上游严格控制起始模板量避免接头自连。这也是为什么我建议每次拿到数据先跑fastqc看一眼overrepresented sequences接头比例高可以早期发现不用等到过滤完才发现数据全废了。5.2 比对率正常但基因检出数低得离谱有次做某个非模式物种的转录组比对率85%以上看起来非常正常但定量后发现只检出了8000多个基因而这个物种的注释基因有两万多个。一开始怀疑是测序深度不够但深度其实不低。后来排查发现是注释文件的问题。这个物种的gtf文件是早期版本注释不完整很多基因压根没有转录本模型。reads比对上去了但落在没有注释的区域featureCounts直接把它们归为Unassigned_NoFeatures。解决方法是换用更新版本的注释或者用转录本组装工具重新构建注释后再定量。这个问题让我学到一个经验做完定量一定要看featureCounts的summary文件如果NoFeatures比例超过15%基本可以断定注释有问题即使比对率很好看也该警惕。5.3 几个高频问题速查表现象可能原因排查方向常规解法Q30异常偏低文库浓度不准确测序芯片上样量异常查看原始峰图和下机报告重新定量文库追加测序GC含量双峰rRNA残留或接头污染fastqc检查overrepresented sequences优化建库清洗步骤重新建库比对率低于70%参考基因组不匹配、污染、注释版本混乱检查比对统计文件确认物种基因组来源更换参考基因组版本排除污染差异基因几乎为零组内方差大、测序深度低、效应量小PCA检查分组核对测序深度增加重复数提高深度放宽筛选阈值PCA第一主成分是样本批次批次效应大于生物学差异检查样本处理时间、提取批次用ComBat-seq校正或重新设计实验富集分析P值全不显著背景基因集错误、差异基因过少检查富集软件默认参数换成自定义背景增加差异基因量5.4 分析流程的顺序也会救人或害人还有一件事值得单独提就是分析流程的先后顺序。有些分析步骤做错了顺序结果虽然能跑出来但解释起来有问题。比如很多人喜欢先做差异分析再对全部基因做PCA或聚类。这其实是可以的但如果先做PCA发现样本分不开然后反过来调整差异分析的参数这在逻辑上就像先考试再划重点结果会有乐观偏差。正确的做法是先做全局质控和样本间关系评估确定样本分组可靠之后再进行差异分析。另外如果后续要做WGCNA之类的共表达网络分析一定要用所有检测到的基因而不是只拿差异基因去做。WGCNA的逻辑基础是全转录组的共表达模式只拿差异基因做会丢失大量模块信息这也是一个非常多见但少有人指出的问题。转录组分析这条路大多数人第一次走的时候都会觉得流程琐碎、坑多但走完一遍之后再回头看其实每一步都有规律可循。我自己带过不少项目也见过很多人在同一个地方反复卡住希望这篇整理能帮你把高频问题一次解决掉。如果你做项目的时候遇到了这里没写到的问题欢迎带着具体报错信息和数据截图来交流实际问题比理论问题更有讨论价值。 
长河君 · 2026/10/20 6:21:28 · 阅读 1.2k 转录组测序数据分析避坑指南：从实验设计到富集分析的高频问题全解
转录组测序这行干久了会发现一个很有意思的现象不管来咨询的是刚接触测序的学生还是做了好几轮项目的科研人员翻来覆去问的问题就那么十几个。样本该准备多少、生物学重复要不要加、比对率低是怎么回事、差异基因筛出来太少怎么办、富集分析结果全是代谢通路……这些问题几乎出现在每一个转录组项目里。所以就有了这篇收藏贴。我把自己这些年处理转录组数据时被问得最多的问题连同背后的原理和解决办法一次性整理出来。内容覆盖实验设计、数据质控、差异分析、功能富集和常见报错排查不管你现在是正准备送样还是已经拿到了下机数据卡在分析环节这篇都能帮你少走不少弯路。1. 实验设计阶段决定项目成败的往往是送样前的问题很多人以为转录组项目是从拿到数据那一刻开始的其实不是。数据质量的上限在实验设计阶段就定死了后期分析只能尽量不浪费数据很难凭空提升质量。所以先聊送样前最常被问的几个问题。1.1 生物学重复到底要设几个这是被问得最频繁的问题没有之一。总有人想省成本问能不能一个样本一个重复或者两个重复凑合一下。我的回答一直很直接转录组测序的生物学重复最低建议是3个条件允许的话做4到6个更好。为什么3个是底线因为差异表达分析本质上是在估计组内方差。如果一个组只有1个样本统计上你根本算不出这个组的离散程度做差异分析的时候软件只能硬套一个先验方差结果就是假阳性率失控。2个重复虽然能算方差了但这个方差估计极其不稳定很多软件在2个重复的情况下会默认用保守的方差估计策略导致原本显著的差异被压下去检出率明显降低。从实际效果来说3个重复是性价比最高的起点。4到6个重复在检测较小倍性变化比如1.5倍左右时会有明显优势如果你的实验预期效应量不大或者做的是临床样本这种本身异质性高的材料我建议直接做5个以上。注意这里说的重复是生物学重复不是同一样本跑两次测序的技术重复。技术重复只能评估实验操作稳定性不能替代生物学重复因为统计推断需要的是个体间的差异信息。1.2 组织样本采集和保存到底有什么讲究很多人的RNA提取失败或者RIN值偏低问题往往出在采样环节。采样这块有几个实操经验值得记下来组织离体之后要尽快切成小块厚度控制在0.5厘米以内这样液氮速冻才能快速渗透进去。整块组织直接扔液氮表面冻住了里面还是活的RNA降解已经开始发生了。我见过有人把黄豆大的组织块直接泡进TRIzol带着到处跑这种其实可行因为TRIzol能迅速变性蛋白、抑制RNase常温放置几个小时问题不大但前提是组织块要小让裂解液充分渗透。保存温度方面液氮是最稳妥的。如果只能放在-80°C冰箱取出后要尽量缩短操作时间研磨的时候保持低温最好在液氮环境中研磨不能让组织在室温下化冻。做过的人都知道化冻一次再提取RNA质量基本就废了。送样前的RNA质量检测也很关键。大部分人只看OD260/280我建议把RIN值作为更重要的指标。RIN值大于8是比较理想的状态7到8之间还能接受低于7做转录组风险就很大文库构建时接头连接效率会下降数据质量大概率不达标。1.3 链特异性文库要不要做这个问题以前争论很多现在行业里基本形成共识了常规转录组项目建议直接做链特异性文库。链特异性文库和非链特异性文库的核心区别在于前者保留了转录本来自哪条链的信息。这个信息带来两个直接好处一是基因注释更准尤其对于基因组上存在反义转录本或者基因重叠的区域非链特异性文库根本分不清reads来自哪个基因二是做转录本异构体分析时链特异性数据可以减少很多假阳性。另一个实用价值是它不增加什么成本。现在的建库试剂盒大多默认支持链特异性流程价格差别很小。既然信息多了而且几乎不贵没有理由不做。当然如果项目目标是分析小RNA或者做某些特殊的建库方案那另说。常规的mRNA转录组我建议闭眼选链特异性。2. 数据下机之后从fastq到表达量矩阵每一步都有坑拿到下机数据后很多人迫不及待就开始跑流程。我的建议是先别急着分析按顺序把这几个环节走扎实不然很容易在一堆报错中来回折腾。2.1 原始数据质控到底该看哪些指标质控这一步看起来简单但很多人只会看个Q30就完事了。Q30是重要但不是全部。我通常按这套逻辑来评估首先看碱基质量分布。fastqc报告里每个位置的质量分数曲线如果出现尾部显著下降是很正常的因为测序越往后质量越差。但如果前几十个碱基质量就已经很差可能是接头污染或者建库出了问题。还有一种常见情况是某些位置质量突然跌下去又回升这在部分平台的数据里偶尔出现通常和测序试剂批次有关如果没有明显影响比对率就不用太纠结。然后看GC含量分布。正常转录组数据的GC含量曲线应该是近似正态分布的单峰这反映了转录组本身的GC分布特征。如果出现双峰往往是混入了其他来源的序列比如核糖体RNA残留或者接头二聚体。这个指标比很多人想象的重要因为双峰往往意味着建库过程有污染。还有一个常被忽略的是duplication率。转录组测序的duplication率高不一定代表数据不好因为高表达基因本身的reads就大量重复。但对于duplication率异常偏高的样本比如超过70%就要警惕是不是文库复杂度不够可能的原因是起始RNA量太低或者PCR扩增循环数太多。2.2 参考基因组比对率低要怎么排查比对率是数据质量的直观体现。正常的转录组数据比对到参考基因组的比例通常应该在80%以上人、小鼠这种参考基因组质量好的物种90%以上都是常见水平。如果你的比对率明显偏低按这个顺序排查第一步看比对到多个位置的reads比例。如果multi-mapped reads占比偏高往往是因为参考基因组里重复序列区域多或者你看的物种参考基因组质量差。这种情况可以考虑换更完善的参考基因组版本或者在定量时用multi-mapping过滤策略。第二步检查核糖体RNA残留。转录组数据中rRNA应该被有效去除但如果建库时rRNA去除不彻底会有大量reads比对到rRNA区域。严格说rRNA reads也能比对上去但会挤占有效数据的比例让真正代表基因表达的reads占比变低。这一步可以通过fastqc的overrepresented sequences初步判断。第三步看比对软件的参数设置。很多人用默认参数的STAR或者Hisat2直接跑对于有些数据这些默认参数并不合适。比如reads长度很短的数据可能需要调整最大比对长度或者允许的错配数。还有一个常见坑参考基因组版本和注释文件版本不匹配这会导致比对和定量都出问题。下载的时候务必看清楚了基因组的gtf和fa文件要来自同一个版本不然基因注释对不上比对率也会被拉低。2.3 定量工具选HTSeq还是featureCounts这是一个争论了很久的问题。我的态度很明确做基因水平定量优先用featureCounts。原因很简单速度快内存占用低结果稳定。featureCounts是专门为read计数设计的工具运行效率比HTSeq高出一个数量级处理一个普通的人类转录组样本也就几分钟的事。HTSeq是Python写的逐条read循环处理速度慢很多但在某些特殊的定量需求下比如需要非常严格的计数模式仍有价值。不过真正建议关注的不只是工具本身而是定量时对多比对reads的处理策略。默认情况下featureCounts只统计uniquely mapped reads也就是只统计能唯一比对到基因组一个位置的reads。这对大多数基因表达分析是合理的因为多比对reads往往来自重复序列区域它们是否计入对基因差异表达分析的影响很小。还有一个容易被忽略的参数是paired-end数据的文库方向性。如果你的数据是链特异性文库定量时需要指定正确的strandness参数。这个参数不对计数结果会全面出错而且不容易在早期发现。判断方法是检查一个已知链方向性的基因比如某些只在正链表达的基因如果反链也能数到大量reads说明参数设置反了。实操提示featureCounts的输出结果里有一个summary文件记录了各类reads的计数去向。我每次跑完都会先看这个文件如果某个样本的Unassigned_NoFeatures比例特别高说明基因注释和reads长度可能不匹配这个检查习惯帮我发现了不少样本问题。3. 差异表达分析筛选标准、结果数量、样本聚类三大高频困惑差异分析是转录组项目的核心环节也是问题最多的地方。这里挑三个讨论度最高的问题展开。3.1 差异基因筛选阈值怎么定padj还是pvalue这是被问得最多的问题之一很多初学者搞不清楚为什么有的文章用pvalue有的用padj到底该听谁的。简单说如果做了多重检验校正应该用校正后的padjadjusted p-value。因为单个基因单独算p-value时只要这个基因在两个组之间有差异就能得到一个显著的p值但你一次检测了两万个基因纯属碰巧也会有两千个基因的p值小于0.05这就是多重检验问题。DESeq2默认用的是Benjamini-Hochberg校正这也是该领域最常用的方法。常见的筛选标准是|log2FoldChange| 1且padj 0.05也就是表达量差异超过2倍且统计学上显著。但这里有个不少人不太理解的细节如果你的生物学差异非常显著比如敲除一个关键基因后下游靶基因变化巨大用padj 0.05完全没问题。但如果你的差异效应比较弱比如药物处理后的全转录组变化幅度不大用padj 0.05可能会筛出很少甚至零个差异基因。这时有人会退回去用pvalue 0.05这虽然不推荐但在预实验探索阶段可以接受前提是你在文章里如实说明。如果确实要降低阈值我更推荐放宽倍数变化的标准同时保留padj比如|log2FoldChange| 0.585即1.5倍且padj 0.05而不是放弃多重检验校正。3.2 为什么差异基因数量和我预期差很多这个问题的答案通常藏在数据里我一般按四个方向排查。首先看组内变异是否过大。这是最常见的原因。生物学重复之间如果表达谱差异很大组内方差就大统计上很难检测出组间差异差异基因数量自然少。这种情况可以在PCA图上看出来如果同组样本散得很开就要反思样本本身的异质性来源。其次看测序深度。测序深度不够会直接影响低表达基因的检出也会让count数偏低。DESeq2对低count数的基因进行差异检验时置信度很低大量低表达基因会被过滤掉。如果测序深度只有5M到10M clean reads差异基因数量少一点都不奇怪。再看效应量。有些基因确实存在生物学差异但倍数变化只有1.2倍或1.3倍这种微小变化在转录组层面很难被稳定检测到需要极大的样本量才能拿到显著结果。你的实验设计和预期效应量是否匹配这是一个需要正视的问题。还有一个隐蔽的坑参考基因组注释版本不同或者使用了不同来源的注释文件基因数量本身就会有差异。一个版本的gtf注释了25000个基因另一个版本可能是28000个定量结果的差异基因自然也不同。3.3 重复样本PCA分不开怎么办PCA图分不开本质上说明组间表达差异小于组内表达差异也就是组间变异不占主导。这个情况让很多人焦虑但先别急着下结论。第一步确认分组有没有标错样本名字和分组信息在传递过程中最容易出错。这一步排查看起来低级但我真的遇到过因为样本名字写错导致整个分组颠倒的情况。第二步看是不是存在批次效应。如果同批提取、同批建库的样本聚在一起而不是按实验分组聚在一起说明批次效应干扰了生物学差异。这种情况下可以尝试用ComBat-seq或者RUVseq做批次校正但注意校正批次的前提是你知道批次来源且批次和实验分组没有完全混杂。第三步重新思考数据过滤和处理方式。有些情况下PCA分不开是因为大量低表达基因的噪声压制了差异信号在DESeq2的vst或者rlog变换之前做一下低表达基因过滤可能会让PCA图变得清晰很多。还有一个容易被忽略的点PCA分不开不代表差异分析没有结果。PCA是全局表达谱的宏观视角如果差异基因只占全转录组的很小比例这些差异信号在PCA中可能完全被淹没但差异分析依然能找到这些基因。所以PCA不好看不等于项目没价值要看差异分析的具体结果。4. 下游功能分析富集分析的正确打开方式筛出差异基因只是完成了前半程后续的功能注释和富集分析才是把生物学故事讲完整的关键。这里也有好几个高频问题。4.1 GO和KEGG富集分析该用什么工具工具选择上我比较推荐clusterProfiler。它是R包维护活跃支持GO、KEGG、GSEA等多种富集分析而且结果可以直接可视化。这个包背后调用的是OrgDb注释数据库比如人的用org.Hs.eg.db小鼠的用org.Mm.eg.db装好之后统一做ID转换和富集分析整个流程非常顺。很多人会问要不要用在线网页工具。如果只是做一个简单分析用网页工具比如某些在线平台确实方便但有两个问题一是很多在线工具的数据库更新不及时注释信息可能是几年前的版本二是KEGG数据库的物种特异性注释差异很大尤其对于非模式物种在线工具给的注释可能不够准确。所以对于正经的课题分析我还是建议用clusterProfiler跑本地分析可控性更强。还有一个关键细节富集分析之前要明确你的背景基因集是什么。如果只拿差异基因做富集背景默认是全基因组的所有基因。但如果你想看的是特定通路内部的变化或者你研究的物种注释不全可能需要自定义背景基因集。这个选择直接影响富集结果的解释很多人在这里踩坑却不自知。4.2 为什么富集结果全是代谢通路每次看到这种问题我都想笑因为这几乎是转录组分析中最普遍的幻觉之一。富集结果全是代谢通路主要有两个原因。第一个原因是数据库本身的偏向性。KEGG数据库里注释最全、条目最多的就是代谢相关通路如果你拿全转录组的所有差异基因去做KEGG富集代谢通路天然会排在前面这是统计学上的先验偏向不代表你的数据在生物学上就是代谢变化。第二个原因更隐蔽你的差异基因数量太多或者太少都容易产生这个现象。差异基因太多时富集分析会把大量基因同时映射到多个通路上代谢通路因为基因多所以更容易显著富集差异基因太少时富集分析的统计效能不足只有那些基因数量多的大通路再次是代谢通路才能凑够显著的基因数小通路根本找不到足够的基因支持。排查方法是先看差异基因列表本身。如果去重后的基因功能分布本身就是代谢相关占主导那结果没问题。如果差异基因里明明有很多免疫相关基因但富集结果却全是代谢那就是数据库注释或分析参数的问题。这时候可以做两件事一是检查使用的物种对应的KEGG注释是否完整二是试试用GO的BP生物过程分类来看通常GO注释比KEGG更细能反映出KEGG看不到的功能信号。4.3 GSEA和GO富集分析到底怎么选简单说GO富集分析用的是差异基因列表GSEA用的是所有基因的表达变化排序。GO富集分析这类方法叫over-representation analysis它只关注哪些基因被选中了完全不关心没被选中的基因发生了什么变化。它的缺点是有一个阈值截断问题用padj和log2FC阈值筛差异基因时一些真实存在但变化较小的基因被排除在外而这些基因可能恰好集中在某个有生物学意义的通路上。GSEA基因集富集分析解决了这个问题。它把所有基因根据表达变化从高到低排序然后看每个基因集在排序中的分布是否显著偏向某一端。好处是不需要预设阈值能捕捉到微弱的但协调一致的变化信号。这在实际项目中非常有用比如有些通路里单个基因的变化都不显著但如果整条通路的基因普遍轻微上调GSEA能检测到这个趋势。我的建议是如果你的差异基因数量足够多、信号足够强GO和GSEA可以同时做。如果你想验证某个特定通路是否发生了变化GSEA是更合适的工具因为它能给出该通路上调还是下调的整体方向。把两者结合使用是最常见的科研文章策略。5. 问题排查实录那些让人熬夜的报错和异常结果最后分享几个我在实际项目中遇到的典型问题以及排查思路。每一个都是真实项目里发生过的事希望能帮你少走弯路。5.1 质控过滤后数据量骤减什么都剩不下某个项目用cutadapt做接头去除和低质量碱基过滤之后原本10M的reads只剩下了不到30%。拿到这个结果我第一反应不是去调整过滤参数而是先去看原始数据里到底是什么序列。结果发现很大比例的reads是测序接头二聚体。也就是说建库环节出了问题文库里有大量没有插入片段的接头序列直接被测序了。这种问题的根源在建库不在分析。分析最多只能帮你判断问题出在哪里救不了这批数据。解决方式是重新建库同时在上游严格控制起始模板量避免接头自连。这也是为什么我建议每次拿到数据先跑fastqc看一眼overrepresented sequences接头比例高可以早期发现不用等到过滤完才发现数据全废了。5.2 比对率正常但基因检出数低得离谱有次做某个非模式物种的转录组比对率85%以上看起来非常正常但定量后发现只检出了8000多个基因而这个物种的注释基因有两万多个。一开始怀疑是测序深度不够但深度其实不低。后来排查发现是注释文件的问题。这个物种的gtf文件是早期版本注释不完整很多基因压根没有转录本模型。reads比对上去了但落在没有注释的区域featureCounts直接把它们归为Unassigned_NoFeatures。解决方法是换用更新版本的注释或者用转录本组装工具重新构建注释后再定量。这个问题让我学到一个经验做完定量一定要看featureCounts的summary文件如果NoFeatures比例超过15%基本可以断定注释有问题即使比对率很好看也该警惕。5.3 几个高频问题速查表现象可能原因排查方向常规解法Q30异常偏低文库浓度不准确测序芯片上样量异常查看原始峰图和下机报告重新定量文库追加测序GC含量双峰rRNA残留或接头污染fastqc检查overrepresented sequences优化建库清洗步骤重新建库比对率低于70%参考基因组不匹配、污染、注释版本混乱检查比对统计文件确认物种基因组来源更换参考基因组版本排除污染差异基因几乎为零组内方差大、测序深度低、效应量小PCA检查分组核对测序深度增加重复数提高深度放宽筛选阈值PCA第一主成分是样本批次批次效应大于生物学差异检查样本处理时间、提取批次用ComBat-seq校正或重新设计实验富集分析P值全不显著背景基因集错误、差异基因过少检查富集软件默认参数换成自定义背景增加差异基因量5.4 分析流程的顺序也会救人或害人还有一件事值得单独提就是分析流程的先后顺序。有些分析步骤做错了顺序结果虽然能跑出来但解释起来有问题。比如很多人喜欢先做差异分析再对全部基因做PCA或聚类。这其实是可以的但如果先做PCA发现样本分不开然后反过来调整差异分析的参数这在逻辑上就像先考试再划重点结果会有乐观偏差。正确的做法是先做全局质控和样本间关系评估确定样本分组可靠之后再进行差异分析。另外如果后续要做WGCNA之类的共表达网络分析一定要用所有检测到的基因而不是只拿差异基因去做。WGCNA的逻辑基础是全转录组的共表达模式只拿差异基因做会丢失大量模块信息这也是一个非常多见但少有人指出的问题。转录组分析这条路大多数人第一次走的时候都会觉得流程琐碎、坑多但走完一遍之后再回头看其实每一步都有规律可循。我自己带过不少项目也见过很多人在同一个地方反复卡住希望这篇整理能帮你把高频问题一次解决掉。如果你做项目的时候遇到了这里没写到的问题欢迎带着具体报错信息和数据截图来交流实际问题比理论问题更有讨论价值。