火山图与热图联动：差异基因筛选实战指南

引言Introduction

差异基因筛选看似简单，真正难点在于阈值、分组和可视化是否一致。火山图能快速定位显著变化基因，热图能验证样本分组与表达模式是否稳定。如果这一步做错，后续通路分析、GSEA 和标志物筛选都会被带偏。

1. 为什么差异基因筛选不能只看火山图

1.1 火山图解决“哪些基因显著变化”

火山图最直观。横轴是 fold change，纵轴通常是 -log10(P value) 或调整后 P 值。它回答的是“变化幅度大不大，统计学上显不显著”。
常用阈值是 log2FC ≥ 1 或 ≤ -1，再结合 P < 0.05。也有研究使用 1.5 或 2 作为 fold change cutoff。阈值越严格，筛出的基因越少，特异性更高，但可能漏掉部分真实信号。

对于医学生和科研人员来说，关键不是盲目追求“多”，而是让阈值和研究目的匹配。

• 机制探索可适当放宽阈值。
• 生物标志物筛选建议更严格。
• 多队列整合时，阈值应尽量统一，避免批次间不可比。

1.2 热图解决“这些基因是否稳定区分样本”

热图不是火山图的替代品。它更像验证工具。
如果筛出的差异基因能在热图中把病例组和对照组明显分开，说明这批基因具有较好的区分度。
反之，如果火山图上显著，但热图聚类混乱，提示信号可能不稳定，或受批次效应影响。

热图常用于查看 top genes 的表达模式。它可以帮助你判断：

1. 差异基因是否集中在同一组样本中。
2. 分组是否合理。
3. 是否存在离群样本或批次偏移。

2. 从原始数据到显著基因的标准流程

2.1 先完成数据整理和分组

在 GEO 数据分析中，第一步不是画图，而是完成数据上传、平台匹配和分组信息设置。
例如在多 GSE 数据整合时，不同数据集可能来自不同平台，如 U74A version two array、mouse 430A、Mouse Gene 1.0 ST array。平台不同，ID 类型和标准化方式就必须对应调整。

常见流程包括：

• 上传数据集。
• 指定物种。
• 选择平台 ID 或基因 ID。
• 设置缺失值处理和标准化。
• 按 class 完成病例组、对照组分组。

这一步的核心是统一分析框架。只有分组准确，后面的差异分析才有意义。

2.2 再设定统计阈值

差异基因筛选通常基于两个条件：

• 倍数变化，常用 log2FC。
• 显著性检验，常用 P value 或 adjusted P value。

推荐优先使用调整后 P 值，因为它更适合多重检验场景。
尤其是在一次性筛选上万基因时，未经校正的 P value 很容易高估显著性。

一个实用原则是：

• log2FC 设为 ±1，适合初筛。
• 调整后 P < 0.05，适合控制假阳性。
• 如果样本量小，可先做探索性分析，再进行验证。

3. 火山图显著基因筛选的实操要点

3.1 先看整体分布，再定阈值

画火山图前，先确认数据是否经过标准化。
如果数据未标准化，不同样本的表达范围可能偏移，火山图会失真。
标准化后，再观察上下调基因是否呈合理分布。

火山图中一般会出现三类点：

• 红色点，显著上调。
• 蓝色点，显著下调。
• 灰色点，无显著变化。

当红蓝两侧呈对称分布时，通常说明组间差异较为平衡。
如果某一侧异常集中，要检查是否存在样本偏倚、批次效应或分组错误。

3.2 用双阈值筛出可用于下游分析的基因

实操中，常见筛选规则是：

1. 设定 log2FC ≥ 1 或 ≤ -1。
2. 设定 adjusted P < 0.05。
3. 同时满足两项条件的基因，定义为差异基因。

这类基因可直接用于：

• 热图绘制。
• GO 和 KEGG 富集分析。
• PPI 网络构建。
• 机器学习特征筛选。

火山图显著基因筛选的本质，是用统计学证据和效应量共同控制假阳性。
只看倍数，不看 P 值，会引入噪音。只看 P 值，不看倍数，会得到很多生物学意义有限的基因。

4. 热图如何验证火山图筛出的基因

4.1 选取 top 基因绘制表达热图

火山图给你一个“候选列表”，热图负责“验证模式”。
通常会选取前 20、50 或 100 个差异基因绘制热图，具体数量取决于样本数和研究目的。

热图需要关注三个层面：

• 基因层面，是否存在一致的上调或下调趋势。
• 样本层面，病例与对照能否聚类分开。
• 结构层面，是否有离群样本干扰整体模式。

热图的价值不在于漂亮，而在于能否证明筛选出的差异基因具有稳定分群能力。

4.2 观察聚类结果判断结果可靠性

如果热图中病例组和对照组可以明显分离，说明差异信号较强。
如果两组样本交叉严重，就要回头检查：

• 分组标签是否正确。
• 是否存在批次效应。
• 是否筛选阈值过宽。
• 是否样本数过少。

在多数据集合并分析中，批次校正尤其重要。
即使火山图提示大量显著基因，如果热图显示不同批次样本聚成一团，而不是按生物分组聚类，结果仍需谨慎解释。

5. 常见错误和如何避免

5.1 只看单一数据集，不做交叉验证

单个 GSE 数据集得到的差异基因，容易受平台和样本量影响。
如果条件允许，建议结合多个数据集做荟萃分析，减少偶然性。

5.2 阈值设置前后不一致

很多问题不是出在算法，而是出在阈值不统一。
比如火山图用 log2FC = 1.5，但热图筛选却用 log2FC = 1，最后得到的基因集合不一致，图和结论就会脱节。

5.3 忽视调整后 P 值

在高通量数据中，调整后 P 值比原始 P 值更适合做正式报告。
如果只报告原始 P 值，审稿人通常会质疑多重比较控制是否充分。

6. 从筛选到下游分析，如何让结果更完整

6.1 差异基因筛选后要做什么

完成火山图和热图后，通常还会继续做：

• GO 富集分析。
• KEGG 通路分析。
• GSEA。
• PPI 网络。
• 标志物验证。

这说明差异基因筛选不是终点，而是起点。
前期筛得准，后面每一步都会更稳。

6.2 结果汇报建议写法

在论文或汇报中，建议明确写出：

• 数据集来源。
• 平台信息。
• 分组方式。
• 阈值标准。
• 筛得的上调和下调基因数量。
• 热图是否支持分组分离。

这样更符合 E-E-A-T 逻辑，也更方便同行复现。

总结Conclusion

火山图负责“筛”，热图负责“验”。两者联动，才能把差异基因筛选做得更稳、更可复现。对于火山图显著基因筛选，最重要的是统一阈值、控制多重检验、检查聚类是否合理。
如果你需要更高效地完成 GEO 数据分析、差异基因筛选和图表输出，可以借助解螺旋的专业工具与服务，把重复性工作标准化，减少手工失误，让你更专注于结果解读和论文产出。