临床分期亚组分析提升差异基因发现效率

引言Introduction

临床样本做差异基因分析时，最常见的问题不是“没有信号”，而是分组太粗，真实差异被稀释 。如果把不同分期患者混在一起，PCA和差异分析往往只能看到整体趋势，难以捕捉更稳定的分子变化。临床分期亚组分析 ，正是提升发现效率的关键一步。

1. 为什么要做临床分期亚组分析

1.1 整体分组的局限性

在转录组分析中，样本常被简单分成对照组和疾病组。这个策略适合做初筛，但不一定适合解释机制。临床分期不同，肿瘤负荷、微环境、增殖状态和免疫浸润都可能不同。这些差异会直接影响表达矩阵的方差结构 。

如果把I期、II期、III期和IV期样本合并分析，结果容易出现两类问题。

• 真实的阶段性差异被平均掉。
• 少数极端样本拉高噪音，降低统计效率。

1.2 亚组分析的价值

临床分期亚组分析的核心，不是把样本拆得越细越好，而是让比较更接近生物学真实。以分期为例，常见做法是将Stage I和II合并为早期组，将Stage III和IV合并为晚期组。这样既保留样本量，也增强组间可比性。

亚组分析能提高差异基因发现效率，原因有三点。

1. 降低组内异质性。
2. 增强组间效应量。
3. 更容易定位与进展相关的分子事件。

在TCGA类队列中，这种策略尤其常见。因为同一癌种内，不同分期往往对应不同的分子状态。

1.3 什么时候适合做亚组分析

并不是所有研究都必须做分期亚组分析。适合的场景包括：

• 样本量充足，分期信息完整。
• 研究目标是寻找进展相关基因。
• 初步PCA提示不同分期存在分离趋势。
• 整体差异分析结果较弱，但怀疑存在隐藏亚群。

如果研究重点是早筛标志物、治疗反应或生存关联，临床分期亚组分析通常更有价值。

2. 分析前的准备工作

2.1 先确认临床信息是否可用

亚组分析首先依赖临床注释。常见字段包括分期、T/N/M分级、年龄、性别和生存状态。对于分期信息，需要先统一命名规则，避免Stage I、Stage IA、stage1这类写法混杂。

临床分期字段不统一，是亚组分析最常见的隐性错误。
如果不先清洗，后续分组会出现漏样本、重复样本或分组错配。

2.2 表达矩阵的基本过滤

在做PCA或差异分析前，低表达基因需要先过滤。常见做法是保留总count数大于一定阈值的基因。知识库中的示例是筛选总和大于32的基因。这个步骤的意义很明确。

• 去掉大部分组织中几乎不表达的基因。
• 减少零值过多带来的统计不稳定。
• 降低后续计算量。

对于mRNA表达矩阵，还要确认基因类型是否为protein_coding，并与表达矩阵取交集，保证注释和表达顺序一致。这一步决定了结果能否稳定复现。

2.3 样本编号必须对齐

表达数据和临床数据常常不是一一对应。需要通过样本编号取交集，再进入分析。这个步骤看似基础，但非常关键。因为一旦分组信息错位，后续PCA、热图和差异分析都会失真。

建议按以下顺序处理：

1. 清洗临床分期字段。
2. 统一样本ID格式。
3. 去除重复样本。
4. 取表达矩阵与临床信息交集。
5. 保留最终可匹配样本。

3. 临床分期亚组分析的标准流程

3.1 先做PCA判断分层是否合理

PCA的作用不是直接给出差异基因，而是先看样本是否存在结构性差异。它是一种常用降维方法，重点保留解释方差最大的主成分。对于临床分期亚组分析，PCA能帮助判断分层是否有生物学基础。

在实操中，可先使用FactoMineR包的PCA函数，或用prcomp进行降维，再用可视化工具展示结果。若早期组与晚期组在PC1或PC2上出现一定分离，说明亚组策略具有合理性。
PCA不是证据本身，但它能决定后续差异分析是否值得继续。

3.2 分组建议采用“早期 vs 晚期”

根据知识库中的实践，Stage I和II常合并为第一组，Stage III和IV合并为第二组。这个划分有两个优势。

• 样本数通常更均衡。
• 更符合疾病进展逻辑。

例如在STAD队列中，整理后的分组信息可形成两个稳定亚组，分别用于后续表达比较。最终样本纳入前，必须再次核对交集，避免临床分期存在但表达数据缺失的样本被误纳入。

3.3 差异分析可用DESeq2或edgeR

分组确定后，进入差异分析。对于count数据，DESeq2和edgeR都很常用。二者都要求分组变量设为因子，并完成标准化。

常见流程如下：

1. 导入count矩阵。
2. 设置分组因子。
3. 进行标准化。
4. 拟合模型。
5. 进行统计检验。
6. 提取结果并排序。

筛选阈值可参考：

• |logFC| > 2
• padj < 0.05

知识库中示例显示，不同工具得到的显著差异基因数量会有差异。比如DESeq2与edgeR的上调、下调基因数并不完全一致。这是正常现象，原因在于模型假设和归一化策略不同。重点不是追求完全一致，而是找出稳定重复出现的信号。

4. 如何提升差异基因发现效率

4.1 先缩小异质性，再做统计检验

这是亚组分析最直接的价值。整体分析时，信号来自多个阶段混合的平均效应。拆分分期后，组内方差下降，统计功效会上升。对于差异基因来说，这意味着更容易检出真正与进展相关的基因。

尤其是以下基因类型，亚组分析更容易捕捉到：

• 进展相关基因。
• 微环境重塑相关基因。
• 增殖和代谢重编程相关基因。
• 侵袭和转移相关基因。

4.2 用可视化辅助判断结果质量

差异分析后，热图和箱线图是最常用的验证工具。热图能展示每个基因在不同样本中的表达模式，箱线图则能看出组间分布差异是否稳定。如果差异基因只在少数样本中异常升高，而不是整体偏移，就要谨慎解释。

建议优先检查三类结果：

• PCA是否有分层趋势。
• 热图是否显示组内一致性。
• 箱线图是否存在清晰的中位数差异。

4.3 结合临床分期做二次筛选

亚组分析不只是“按分期拆开”。更进一步，可以在差异基因基础上结合临床分期做筛选，例如优先关注：

• 与晚期显著上调的基因。
• 在多个癌种或多个队列中可重复的基因。
• 与生存结局同向变化的基因。

这样得到的候选基因更接近临床可解释标志物，而不是单纯的统计显著。

5. 常见错误与实操建议

5.1 不要盲目过度分层

分得越细，样本越少，统计功效可能反而下降。尤其当某些分期样本只有几十例时，再继续拆分亚组，很容易造成假阴性增加。亚组分析的目标是提升效率，不是无限细分。

5.2 注意因子方向和分组顺序

在DESeq2等工具中，分组顺序会影响logFC方向。如果因子水平设置错误，high和low的方向可能颠倒，最终导致结论完全相反。这个问题在临床分期比较中同样存在。分析前必须明确哪一组是参考组。

5.3 保存中间结果，便于复现

临床分期亚组分析通常涉及多个步骤。建议把表达矩阵、临床表、分组结果、差异分析结果都保存为RData或RDS格式。这样后续做PCA、火山图、热图时，不需要重复下载和清洗。

对医学生、医生和科研人员来说，可复现性本身就是结果可信度的一部分。

总结Conclusion

临床分期亚组分析的本质，是通过更合理的分层，降低异质性，提升差异基因发现效率。它适合用于进展机制研究、分层标志物筛选和后续功能验证。标准流程包括临床信息清洗、表达矩阵过滤、PCA评估、早晚期分组、差异分析和结果验证。只有先把分层做对，差异基因才更可能真实、稳定、可复现。

如果你想把这套流程快速落地，减少数据清洗、分组对齐和结果导出的时间，可以考虑使用解螺旋 提供的生信分析支持，让临床分期亚组分析更高效、更规范、更适合科研发表。