TPM数据怎么分析？5个关键指标

引言Introduction

TPM数据怎么分析 ，是RNA-seq下游最常见的问题之一。很多人拿到矩阵后，会困惑：能不能直接做组间比较，哪些指标该看，什么时候该先做标准化。答案很明确，TPM更适合展示和探索，不等同于差异分析输入。

1.TPM数据是什么，适合做什么

1.1 TPM的核心定义

TPM，全称是 Transcripts Per Million。它的设计目的，是同时校正基因长度 和测序深度 。和COUNT相比，TPM更适合看表达占比。和FPKM相比，TPM在样本间更便于横向展示。

TPM数据的一个核心特点是，每个样本内所有基因的TPM总和固定为100万。 这让不同样本的表达谱更容易直观比较，但不代表它适合直接替代差异分析。

1.2 TPM适用场景

从实际分析看，TPM数据更适合以下场景。

• 基因表达可视化。
• 热图展示。
• 样本间整体表达谱对比。
• GSEA前的排序参考。
• 论文图表中的表达量展示。

如果你的目标是做差异分析，TPM通常不是首选输入。 DESeq2、edgeR这类工具更依赖原始COUNT数据。

1.3 为什么不建议直接用TPM做差异分析

原因很简单。TPM已经做了长度和深度的归一化，数值不再服从原始计数分布。差异分析工具需要利用COUNT数据的离散特征来估计方差。

因此，分析TPM数据时，要先分清目的。

• 看表达趋势，用TPM。
• 做统计检验，用COUNT。
• 做图表展示，常用TPM。
• 做通路排序，TPM可作为参考输入。

2.先看3个基础质量指标

2.1 样本内总和是否稳定

分析TPM数据时，第一步不是找差异基因，而是看样本整体是否异常。因为TPM经过标准化，每个样本的总和理论上接近100万 。如果偏差特别大，往往提示数据导入、注释或转换流程存在问题。

你可以先做这类检查。

• 查看每个样本TPM总和。
• 统计最小值、最大值和四分位数。
• 检查是否存在全零样本。
• 检查是否有明显离群样本。

2.2 基因表达分布是否合理

TPM数据通常呈现长尾分布。少数高表达基因占据较大比例，大量基因表达较低。这是正常现象，不是错误。

建议重点看三件事。

1. 每个样本的表达分布。
2. 高表达基因是否过于集中。
3. 低表达基因是否大量为零。

如果多个样本的分布形态完全不同，就要优先排查批次效应或样本质量问题。

2.3 样本间相关性

做TPM数据分析时，样本相关性是非常实用的指标。它能快速发现重复样本、标签错误或异常样本。

常用方法包括：

• Pearson相关系数。
• Spearman相关系数。
• 样本相关性热图。
• PCA初筛。

一般来说，同组样本应有较高相关性。若组内相关性明显低于组间差异，说明样本分层、批次或生物学异质性可能很强。

3.看表达差异前，先做这2步筛选

3.1 去掉低表达基因

TPM数据分析中，低表达基因会干扰可视化和统计解释。很多基因在多数样本中接近0，这类基因对生物学结论贡献有限。

常见做法是先设定过滤规则，例如：

• 在至少一定数量样本中TPM大于1。
• 或者保留中位数TPM超过阈值的基因。
• 或者先按研究问题选择目标基因集。

过滤不是删数据，而是减少噪音，提高后续分析效率。

3.2 处理极端高表达基因

有些基因会异常高表达，可能是生物学真实信号，也可能是技术偏倚。比如核糖体相关基因、血红蛋白相关基因，常会在特定样本中占比很高。

建议先确认这类基因是否符合研究背景，再决定是否保留。不要为了“让图更好看”随意删除。E-E-A-T 视角下，可解释性永远优先于视觉效果。

4.TPM数据分析最值得看的5个关键指标

4.1 指标一，均值与中位数

均值适合看整体水平，中位数适合看典型水平。对于偏态分布明显的TPM数据，中位数往往比均值更稳健。

你可以这样理解。

• 均值高，说明整体表达水平高。
• 中位数高，说明多数基因表达都较高。
• 均值和中位数差距很大，提示分布偏斜严重。

在TPM数据中，中位数常常比均值更能代表真实情况。

4.2 指标二，变异系数

变异系数，通常用于衡量表达波动程度。它能帮助你筛出组内不稳定、组间差异明显的基因。

适合关注的情况包括：

• 同组样本内部波动小。
• 不同组之间波动大。
• 候选生物标志物优先排序。

如果一个基因在所有样本中都稳定接近同一水平，它对分组区分的价值通常有限。

4.3 指标三，组间折叠变化

虽然TPM不适合作为严格差异分析输入，但组间fold change仍然有参考意义。你可以用它先看表达趋势，判断候选基因是否值得深入。

建议关注：

• 肿瘤组相对正常组上调多少倍。
• 是否存在稳定的一致方向变化。
• 变化幅度是否足够支持后续验证。

fold change 适合做筛选，不适合单独作为统计结论。

4.4 指标四，表达覆盖率

表达覆盖率，是看一个基因在多少样本中被检测到。这个指标非常适合TPM数据，因为它能反映基因是否具有普遍表达特征。

常见解释如下。

• 覆盖率高，说明基因在多数样本中可检测。
• 覆盖率低，说明基因可能是特异表达。
• 覆盖率极低，说明它更适合作为探索对象，而不是稳定指标。

对于临床队列分析，覆盖率高的基因通常更稳健。

4.5 指标五，样本分组可分性

这是TPM数据分析中最重要的整体验证指标之一。一个好的表达矩阵，应该能让相似样本聚在一起，不同表型拉开距离。

常用方法包括：

• PCA。
• 层次聚类。
• 样本热图。
• UMAP或t-SNE，用于探索性展示。

如果分组完全分不开，先不要急着找差异基因，先检查样本注释、批次效应和过滤阈值。

5.从TPM数据到可解释结论，推荐这样做

5.1 标准分析顺序

对医学生、医生和科研人员来说，最实用的TPM数据分析流程是先探索、后筛选、再验证。

推荐顺序如下。

1. 检查样本总和和分布。
2. 看相关性和聚类。
3. 过滤低表达基因。
4. 计算均值、中位数、CV和fold change。
5. 做候选基因可视化。
6. 再进入实验验证或多组学整合。

这个流程能减少误判，也更符合论文写作的逻辑。

5.2 和差异分析的衔接

如果你最终目的是找差异基因，建议回到COUNT数据，用DESeq2或edgeR完成统计分析。TPM更适合作为展示层。

实际工作中常见做法是：

• COUNT用于差异分析。
• TPM用于热图和表达图。
• log2(TPM+1)用于可视化。
• GSEA前用排序值辅助展示。

这样分工更清晰，也更容易通过审稿。

5.3 结合注释信息一起看

TPM数据本身只是表达值。真正的生物学解释，离不开注释信息。比如基因功能、通路、组织特异性和疾病背景。

没有注释的TPM，只是数字。
结合注释的TPM，才是可解释的数据。

总结Conclusion

TPM数据分析的关键，不是单纯看数值，而是看分布、相关性、覆盖率和组间趋势。对于科研和临床转化场景，TPM更适合做展示、筛选和探索，差异分析仍建议回到COUNT数据。只要先判断数据质量，再提炼关键指标，结论就会更稳健。

如果你希望更高效地完成TPM数据分析、表达矩阵整理和可视化，可以使用解螺旋 的生信内容与工具支持，帮助你更快定位问题、减少重复劳动，并把结果整理到更适合发表和汇报的形式。