转录与表达中的TPM精准定量方法

引言Introduction

TPM是转录组分析里最常用的表达量单位之一，但很多人仍会把count、RPKM、FPKM和TPM混用。如果不理解TPM的计算逻辑，就很容易在可视化、跨样本比较和结果解读上出错。

1. TPM为什么适合转录与表达分析

1.1 先解决两个核心偏差

在转录与表达分析中，原始count受两个因素影响最明显。第一是测序深度。第二是基因长度。测序越深，总count越大。基因越长，被读段覆盖的概率也越高。
这意味着，count只能作为起点，不能直接拿来比较不同基因，甚至不能简单比较不同样本。

TPM的价值就在于先处理这两个问题。它先校正基因长度，再校正样本测序量。这样得到的数值更适合做表达展示，也更适合不同样本之间的横向比较。

1.2 为什么TPM比RPKM和FPKM更常用

RPKM和FPKM都能校正长度和测序深度，但它们的一个常见问题是，不同样本之间的总和不固定。 这会影响跨样本比较。
TPM则不同。它把每个样本的总表达量统一到100万。也就是说，每个样本的TPM总和都等于1,000,000。 这使得不同样本之间的表达分布更容易比较。

从实践角度看，TPM更适合：

• 基因表达图展示。
• 热图和箱线图绘制。
• 样本间表达模式对比。
• 单细胞或bulk转录组的表达概览。

但要注意，TPM适合展示，不适合作为差异表达分析的输入。 差异分析通常仍应从count开始。

2. TPM的计算逻辑与公式

2.1 TPM本质上是“标准化后的相对丰度”

TPM的全称是transcripts per million。可以理解为，在每100万个转录本中，某个基因占多少份额。
它的计算分两步完成。

第一步，先按基因长度做标准化。
第二步，再按样本总量做标准化。

这两个步骤缺一不可。只做其中一步，都不能得到真正可比的TPM。

2.2 标准计算步骤

如果从count出发，TPM的基本思路是：

1. 先计算每个基因的“长度校正值”。
2. 将所有基因的长度校正值相加。
3. 用某个基因的长度校正值除以总和。
4. 再乘以100万。

用更直观的话说，就是：

• 先把“长基因更容易被测到”的偏差去掉。
• 再把不同样本测序量的差异压到同一尺度。

在RNA-seq中，这个处理尤其重要。因为一个基因如果很长，即使真实表达并不高，也可能得到更多reads。TPM通过长度归一化，尽量避免这种假性优势。

2.3 与RPKM、FPKM的关系

TPM和RPKM、FPKM的核心思想接近，但顺序不同。
RPKM/FPKM通常是先对测序深度和长度做校正，再在样本内部解释。TPM则更强调最终总量一致性 。这也是为什么TPM更适合跨样本表达展示。

可以简化理解为：

• count 是原始信号。
• RPKM/FPKM 是中间标准化结果。
• TPM 是更适合展示和比较的表达量结果。

3. 从count到TPM的精准转换

3.1 关键前提：需要基因长度信息

要算TPM，不能只有count。还必须有基因长度。
在常见RNA-seq分析中，长度一般使用外显子长度之和，尤其是参考转录本或注释明确的情况下。没有长度信息，就无法正确进行TPM标准化。

这一点在TCGA和常规bulk RNA-seq中都很重要。因为不同基因长度差异很大，若不校正，结果会偏向长基因。

3.2 常见转换流程

一个标准的count转TPM流程通常包括：

1. 获取原始count矩阵。
2. 准备基因注释文件，提取基因长度。
3. 对每个基因做长度归一化。
4. 对每个样本把长度归一化后的值求和。
5. 用单个基因的标准化值除以总和，再乘以100万。

这个流程看起来简单，但每一步都要保证注释版本一致。基因ID版本不一致、长度定义不一致，都会直接影响TPM准确性。

3.3 一个可理解的例子

假设样本A中某基因count为1，总count为1,000,000。
如果先不做长度校正，直接按比例计算，它在样本中的占比是1/1,000,000。
乘以100万后，TPM就是1。

这个例子说明，TPM并不是“绝对表达量”，而是标准化后的相对表达量。
它便于比较，但并不等于分子层面的真实转录本总数。

4. TPM适用场景与边界

4.1 适合做什么

TPM最适合用于表达展示和直观比较。尤其在以下场景中很常见：

• 基因在不同样本中的表达热图。
• 某条通路核心基因的表达趋势。
• 单细胞中某些marker基因的表达展示。
• 文章图表中的表达量可视化。

在这些场景中，TPM能提供较稳定、可解释的数值基础。当你的目标是“看表达模式”，TPM通常比原始count更合适。

4.2 不适合做什么

TPM不适合直接做差异表达分析。原因很明确。
差异分析关心的是统计分布，而不是简单的比例缩放。TPM虽然标准化了长度和总量，但没有充分解决样本组成差异和统计建模问题。

因此，DESeq2、edgeR、limma-voom等常规流程仍建议以count作为输入。
一句话总结就是：

• 展示用TPM。
• 统计检验用count。

4.3 单细胞转录组中的理解

在单细胞转录组中，表达矩阵常常会涉及UMI。UMI是去重后的分子计数。
如果只测到转录本的特定片段，而不是全长转录本，长度校正的意义会有所变化。此时要看建库方式和分析目标。不是所有单细胞数据都必须强行套用同一套TPM逻辑。

这也是为什么在实操中，必须先区分是全长转录本测序，还是3’端或5’端捕获型测序。不同技术路线，对表达量定义的要求不同。

5. 实操中最容易出错的地方

5.1 注释版本不一致

这是最常见的问题之一。
基因ID来自GRCh38还是GRCh37，基因长度取自哪套GTF/GFF，都会影响最终TPM。同一批原始数据，只要注释版本不同，结果就可能偏移。

所以在项目中要固定三件事：

• 基因组版本。
• 注释版本。
• 长度定义方法。

5.2 把TPM当成绝对定量

TPM虽然比count更适合展示，但它仍然是相对指标。
它反映的是样本内部标准化后的占比，不是细胞中真实分子数的绝对值。
因此，在写论文或解读结果时，建议避免把TPM描述成“绝对表达量”。

5.3 忽略低表达和零值

在真实数据中，大量基因会出现0或接近0的表达。
如果直接进行图形展示，常常会导致分布偏斜。
常见做法是：

• 先过滤低表达基因。
• 必要时做log转换，如log2(TPM+1)。
• 再进行可视化。

这样能减少极端值对图形的干扰。

6. 规范化结果如何服务科研分析

6.1 从数据到结论要保持一致

TPM的意义不只是“算出一个数”。它真正的价值在于让表达比较更稳定。
当你在比较不同基因、不同样本、不同条件时，统一的标准化策略决定了结论是否可靠。

如果标准化不一致，后续的生物学解释就会被放大误差。
这在科研写作、课题答辩和投稿审稿中都很常见。

6.2 图表展示要与统计分析分开

一个实用原则是，把“展示”和“检验”分开。
TPM用于画图。count用于统计。
这能让你的分析链条更清晰，也更符合主流转录组分析规范。

例如：

• 用TPM画基因表达热图。
• 用count做差异分析。
• 再把差异基因的表达结果转换成TPM用于展示。

这样既专业，也更容易让审稿人接受。

6.3 高质量表达矩阵来自标准流程

无论是bulk RNA-seq还是单细胞转录组，表达矩阵的质量都决定下游分析上限。
TPM精准定量的核心，不只是公式，而是“注释准确、流程统一、用途明确”。

对于需要快速建立规范表达矩阵的团队，可以借助解螺旋的标准化数据处理思路，把count、长度注释和TPM转换流程一次性打通，减少手工计算误差，也提高项目推进效率。

总结Conclusion

TPM是转录与表达分析中非常实用的标准化方法。它通过先校正基因长度，再统一样本总量，解决了count难以直接比较的问题。
对于展示和跨样本表达比较，TPM通常优于RPKM和FPKM。 但在差异分析中，仍应优先使用count。理解这条边界，是做出可靠结论的前提。

如果你希望把TPM计算、表达矩阵整理和下游分析流程做得更规范，可以进一步了解解螺旋的生信支持方案。让标准化流程先行，往往能显著提升后续分析的准确性与效率。