从表达量分布到异质性评估的生信分析全流程

引言Introduction

表达量分布看似只是画图前的一步，实际却决定了后续差异分析、聚类分析和异质性评估是否可信。很多生信结果不稳定，不是模型不够强，而是最基础的分布判断被忽略了。先看表达量分布，再谈异质性，才是规范流程。

1. 为什么表达量分布是分析起点

1.1 分布信息决定数据是否可比

在芯片和测序数据中，表达量分布反映的是样本整体信号强度、离散程度和偏态特征。对于医学生信和科研人员来说，这一步不是形式检查，而是判断数据能否进入下游分析的前提。

如果样本之间的表达量分布差异过大，后续差异基因结果很可能被技术偏差放大。 常见原因包括测序深度不同、文库构建差异、批次效应或样本质量问题。公开数据库如GEO、TCGA通常会提供表达矩阵，但这并不意味着数据可以直接使用，仍需检查分布是否一致。

1.2 芯片和测序的处理逻辑不同

芯片数据与测序数据的原始信息结构不同。芯片通常更接近标准化后的信号强度，测序则涉及原始reads到表达矩阵的转换。两者都可以进入表达量分布分析，但评价重点不同。

• 芯片更关注是否存在异常样本和批次偏移。
• 测序更关注低表达基因比例、零值过多和标准化前后分布变化。
• 同一分析框架不能机械套用，必须结合平台特征判断。

1.3 分布检查是生信文章的第一道质控

在规范流程里，表达量分布通常位于质量控制之后、差异分析之前。它和PCA、UMAP一起，用来回答一个核心问题。样本是否属于同一分析系统。 如果答案是否定的，就应优先考虑剔除离群样本或重新评估数据来源。

2. 如何系统查看表达量分布

2.1 常用图形与各自用途

表达量分布并不只是一张图。实际分析中，常常需要组合使用多种可视化方式。

1. 直方图。 观察整体偏态、长尾和低表达集中情况。
2. 箱线图。 比较各样本中位数、四分位距和离群值。
3. 密度图。 看不同样本分布曲线是否重叠。
4. 均值-方差图。 评估表达水平与波动的关系。
5. 火山图前置检查。 虽然火山图属于差异分析结果，但前置分布异常会影响其稳定性。

如果多个样本的箱线图中位数明显不齐，往往提示标准化不足或批次效应未处理。

2.2 标准化不是可选项

对于公开数据或自建数据，标准化的目的都是让不同样本处于可比较尺度。常见方法包括分位数标准化、TPM、FPKM、CPM、log转换等。是否采用哪一种，应依据数据类型和已有文献方法描述决定。

不要盲目追求“最先进”的标准化方法。 对大多数文章而言，关键不是方法名，而是方法选择与数据类型一致，并且结果可重复。

2.3 需要优先排查的异常情况

表达量分布检查时，建议重点关注以下问题：

• 单个样本整体偏高或偏低。
• 某些样本低表达基因异常集中。
• 多个样本分布形态明显不同。
• 分布一致，但PCA仍明显分离，提示潜在批次效应。

这类问题如果不处理，后续异质性评估会被污染。异质性不一定来自生物学差异，也可能来自技术噪音。

3. 从表达量分布进入异质性评估

3.1 异质性评估的核心目标

异质性评估的核心，不是简单判断“样本像不像”，而是识别样本群体内部是否存在可解释的分层结构。对于肿瘤、复杂遗传病和多亚型疾病，这一步尤其重要。

异质性越强，单一均值模型越容易失真。 这也是为什么生信分析常常需要先做分层，再做差异分析，再做网络和临床建模。

3.2 常见异质性来源

异质性可分为生物学异质性和技术异质性两类。

• 生物学异质性。
  • 不同亚型。
  • 不同分化阶段。
  • 不同治疗反应。
• 技术异质性。
  • 批次效应。
  • 平台差异。
  • 样本污染。
  • 测序深度差异。

只有先区分这两类异质性，分析结论才有解释力。 否则，聚类结果和差异基因列表都可能只是技术信号。

3.3 用PCA和UMAP辅助判断

PCA是最常用的全局结构检查工具，适合快速发现离群样本和主要变异来源。UMAP更适合在单细胞或高维复杂数据中观察局部分群趋势。

常见判断思路是：

1. 先看表达量分布是否统一。
2. 再看PCA是否有明显离群点。
3. 必要时用UMAP补充查看局部分群。
4. 最后结合分组信息判断异质性是否具有生物学意义。

分布正常，不代表没有异质性。
分布异常，也不等于一定是生物学差异。

4. 异质性评估后如何进入下游分析

4.1 差异分析前先完成分组确认

异质性评估完成后，下一步是明确分组。临床样本常见的设计包括疾病与正常比较、治疗与对照比较、不同亚型比较，以及按高低表达分组比较。

对于多分组数据，实际策略通常是转化为二分组或按时间序列模型处理。分组不清，差异分析就没有明确统计对象。

4.2 聚类、网络和临床分析依赖前置质量

表达量分布和异质性评估不是独立步骤，它们会直接影响后面的模块组合。

• 差异分析依赖分布稳定。
• 聚类分析依赖样本结构真实。
• 网络分析依赖候选基因可靠。
• 临床模型依赖特征筛选准确。

如果前置步骤有偏差，后面的模块越多，错误传播越明显。这也是为什么“先质控，再建模”是硬要求。

4.3 多数据集整合要特别谨慎

当研究涉及多个数据集时，是否合并不能只看样本量。还要看平台、注释版本和批次效应。对于同一注释平台的数据，可以考虑合并后去批次；对于不同平台的数据，通常更适合分别分析后再在结果层面整合。

芯片和测序数据，通常不建议在差异分析之前强行整合。 更稳妥的做法，是先分别完成表达量分布检查和异质性评估，再在结果层面比较一致性。

5. 写作与实操中的常见误区

5.1 只画图，不解释

很多文章会展示箱线图或PCA图，却没有说明图形在分析链中的作用。对于医学生、医生和科研人员，图不是装饰，而是证据链的一部分。

每一张分布图，都应回答一个明确问题。

• 数据是否可比。
• 是否存在离群样本。
• 是否需要去批次。
• 异质性是否具有生物学意义。

5.2 忽略样本量和分组平衡

异质性评估对样本量非常敏感。样本太少时，聚类结果不稳定，PCA解释力也有限。分组严重不平衡时，表达量分布可能被少数样本主导。

建议在设计或筛选数据时，优先保证：

• 分组清晰。
• 样本量尽量均衡。
• 临床信息尽量完整。
• 平台注释一致。

5.3 把工具当结论

工具只是手段。真正决定文章质量的，是你是否理解数据结构、是否能解释分布差异、是否能区分技术与生物学异质性。没有逻辑的图再多，也只是结果堆砌。

总结Conclusion

从表达量分布到异质性评估，本质上是一个从“数据是否可信”走向“生物学是否可解释”的过程。先看分布，再做PCA或UMAP，再判断异质性来源，最后进入差异分析、聚类、网络和临床建模，才是完整且稳健的生信流程。对于想提高论文质量和分析效率的研究者，建议使用更成熟的流程支持工具。如果你希望把表达量分布检查、异质性评估和后续分析串成规范闭环，可以借助解螺旋的专业方案，减少试错，提升产出效率。