RPKM表达矩阵怎么构建？5步搞定

引言Introduction

RPKM表达矩阵常被用于RNA-seq结果展示，但很多人会把它和counts、FPKM、TPM混用，导致下游差异分析出错。如果你想知道RPKM表达矩阵到底该怎么构建、何时能用、何时不该用，这篇文章会给你一个清晰答案。

1. 先弄清RPKM表达矩阵的定位

1.1 RPKM不是差异分析的输入格式

主流差异分析工具如 limma、DESeq2、edgeR，输入都应是原始 counts。 这点非常重要。上游知识库明确指出，这些包都不需要基因长度校正，也不需要先做 log 转换。
也就是说，RPKM表达矩阵更适合做展示、聚类、相关性分析，或者作为某些可视化输入，而不是差异分析的首选数据。

1.2 为什么要做标准化

原始 read 数受两类因素影响。第一是测序深度，第二是基因长度。
测序越深，counts 越高，不代表真实表达一定更高。基因越长，被读到的概率也越大。
所以，构建RPKM表达矩阵的核心，就是先校正测序深度，再校正基因长度。

2. 明确RPKM的计算逻辑

2.1 先看公式思路

RPKM 的本质是把某个基因在某个样本中的 reads，按“每千碱基、每百万映射 reads”进行标准化。
你可以把它理解为两步：

1. 按测序深度做归一化。
2. 按基因长度做归一化。

这就是RPKM表达矩阵与原始counts矩阵的最大区别。

2.2 RPKM和TPM、FPKM的关系

知识库里强调，RPKM和FPKM的校正变量相同，区别在顺序。

• RPKM/FPKM：先校正测序深度，再校正基因长度。
• TPM：先校正基因长度，再校正测序深度。

因此，RPKM表达矩阵不具备像 TPM 那样严格的样本间总和一致性。
这也是为什么很多分析场景更推荐 TPM，而不是 RPKM。

3. 构建RPKM表达矩阵的第1步：准备原始counts

3.1 输入必须是counts

上游知识库反复强调一点：limma、DESeq2、edgeR 的输入都是原始 counts 文件，不能先转化。
虽然本文讲的是RPKM表达矩阵，但构建之前的底层数据仍然应该来自原始counts。

常见输入形式包括：

• 基因ID
• 样本1 counts
• 样本2 counts
• 样本3 counts

如果有重复基因名，需要先合并。

3.2 处理重复基因名

在实际数据里，同一个 symbol 可能对应多条记录。知识库中提到，可以用平均值或分组汇总处理。
常见做法有两种：

• 取均值。
• 以 gene symbol 分组后汇总。

关键原则是先保证每个基因只保留一行，再进入矩阵构建。

4. 构建RPKM表达矩阵的第2步：整理基因长度信息

4.1 基因长度为什么必须有

RPKM 的长度校正依赖基因长度。
同样的表达水平，10 kb 基因天然比 1 kb 基因更容易被测到更多 reads。
如果不校正长度，长基因会被高估。

4.2 基因长度的来源

常见做法是从 GTF 文件中提取外显子信息，再计算有效长度。
知识库中也提到，实际处理时要注意：

• 去掉重叠外显子。
• 保证基因ID与表达矩阵一致。
• 不一致时要先做ID转换。

这一步很关键。因为基因长度文件和表达矩阵必须一一对应 ，否则后面算出来的RPKM表达矩阵会出错。

5. 构建RPKM表达矩阵的第3步：按测序深度标准化

5.1 先对每个样本求总reads

RPKM表达矩阵的第一层标准化，是按样本测序深度进行。
也就是先统计每个样本总 counts。知识库中的示例里，三个样本的总 reads 分别为 35、45、106，说明不同样本的测序深度并不一致。

5.2 为什么要除以百万

“每百万”是为了把不同样本拉到同一尺度上。
样本总reads通常在百万量级，用百万作为标准化因子更直观，也能避免结果太小，不方便展示。

实际操作时，通常是先将样本总 counts 换算成百万级别，再用每个基因的 counts 去除这个值。

6. 构建RPKM表达矩阵的第4步：按基因长度校正

6.1 长基因和短基因不能直接比较

知识库给出了一个很清晰的解释。
如果 A 基因是 2 kb，B 基因是 4 kb，B 基因会更容易获得更多 reads。
所以在做 RPKM 表达矩阵时，必须再除以基因长度。

6.2 校正后的结果怎么理解

校正后得到的数值，就更接近“真实表达强度”。
它的意义不是原始读段数，而是单位长度、单位测序深度下的标准化表达。
这类矩阵更适合做：

• 样本表达热图
• 基因表达分布图
• 相关性分析
• 某些可视化比较

但再次强调，它不应替代原始counts进入差异分析流程。

7. 构建RPKM表达矩阵的第5步：整理输出格式

7.1 输出成标准矩阵

最后一步，是把结果整理成标准的表达矩阵。通常格式如下：

• 第一列：gene symbol 或 gene ID
• 第二列开始：各样本的 RPKM 值

这时你得到的就是 RPKM表达矩阵。

7.2 输出前要检查三件事

建议在写出文件前检查：

1. 行名是否正确。
2. 列名是否对应样本。
3. 是否有缺失值或重复值。

如果基因ID和样本名错位，后续所有分析都会受影响。

8. 为什么很多时候更推荐TPM而不是RPKM

8.1 RPKM和TPM的可比性不同

知识库明确指出，TPM 在样本间总和一致，因此更适合做样本间比较。
而 RPKM 的样本总和并不一致，所以样本间比较能力较弱。

8.2 实际应用建议

如果你的目标是：

• 差异分析，用原始counts。
• 样本间表达比较，优先考虑TPM。
• 展示历史文章流程，可能会见到RPKM表达矩阵。

因此，RPKM表达矩阵不是不能用，而是要用在合适场景。

9. 构建RPKM表达矩阵时最常见的3个错误

9.1 直接拿FPKM或TPM当counts去做差异分析

这是最常见的错误。
DESeq2、edgeR 等工具都要求原始 counts。

9.2 基因长度没处理好

如果外显子重叠没去掉，或者基因ID没对上，RPKM会失真。

9.3 混淆RPKM和TPM

两者虽然都做了长度校正，但顺序不同，结果不同。
RPKM表达矩阵不等于TPM矩阵。

10. 一个实用的判断标准

如果你手里的是：

• 原始 counts，先保留原样做差异分析。
• 需要可视化展示，再构建RPKM表达矩阵。
• 需要样本间更稳妥比较，优先考虑TPM。

这套思路能避免大多数RNA-seq下游错误。

总结Conclusion

RPKM表达矩阵的构建，本质上就是从原始counts出发，依次完成基因整理、长度校正、深度校正和矩阵输出。它适合展示和部分比较分析，但不适合直接替代counts做差异分析。
如果你希望把RNA-seq数据处理做得更规范，建议先掌握 counts、RPKM、TPM 的边界，再进入实际分析。

如果你想进一步提升数据处理效率，可以结合解螺旋 的科研内容与工具支持，把标准化、矩阵整理和下游分析流程做得更稳、更快。