零基础掌握DESeq2差异分析关键步骤

引言Introduction

DESeq2是转录组差异分析的常用工具，但很多人卡在输入数据、分组设置、结果筛选和批次效应处理。真正影响结果的，不是代码多，而是步骤是否正确。 本文按实战流程拆解关键环节，帮助医学生、医生和科研人员快速建立清晰框架。

1. 先理解DESeq2在做什么

1.1 差异分析的前提是“有比较”

差异分析一定建立在两组或多组比较上。常见场景包括对照组与实验组，不同组织，不同处理条件，不同时间点。

核心目的很明确。就是找出受变量影响的差异表达基因。
这些基因随后可进入GO、KEGG、GSEA等功能分析。

1.2 DESeq2适合什么数据

DESeq2处理的是原始counts数据 ，不是TPM，也不是已经做过标准化的表达矩阵。
输入矩阵中，行是基因，列是样本，数值是非负整数。

DESeq2的优势在于它能同时处理：

• 测序深度不同带来的偏差
• 文库组成不同带来的偏差
• 低表达和高变基因对整体分析的影响

它的标准化思想，是先校正样本间可比性，再做统计检验。

2. 读懂DESeq2的基本原理

2.1 输入、标准化和检验的顺序

DESeq2的典型流程是：

1. 输入原始counts。
2. 计算标准化因子。
3. 做标准化。
4. 基于负二项分布建模。
5. 进行显著性检验。
6. 对p值做多重检验校正。
7. 按阈值筛选差异基因。

这意味着，DESeq2不是直接比较原始count，而是比较经过标准化后的表达差异。

2.2 为什么要先标准化

标准化主要解决两个问题。

• library size不同。 不同样本测序深度不同，总reads数可能差很多。
• library composition不同。 某些样本里特异高表达基因会显著影响总count构成。

例如，两个样本总count接近，但某个基因在一个样本中占据大量reads，在另一个样本中几乎不表达。
如果不校正，差异会被放大或扭曲。

2.3 标准化因子怎么来的

DESeq2常用的是基于中位数比值的思路。简化理解如下：

• 先去掉全为0或含大量0的基因
• 对每个基因计算样本间相对比例
• 再取中位数得到每个样本的size factor
• 用原始counts除以size factor完成校正

这样可以尽量让大多数不变基因作为参照。
这也是DESeq2稳健性的来源之一。

3. DESeq2差异分析代码的关键步骤

3.1 准备原始counts和分组信息

最常见的输入是两个对象：

• counts，原始表达矩阵
• colData，样本信息表

样本信息至少要包含分组变量，例如control和case。
如果有批次信息，也建议一并记录。

注意，counts的列名必须和colData的行名一一对应。
这是很多初学者最容易出错的地方。

3.2 构建DESeqDataSet对象

在R中，常见写法是用DESeqDataSetFromMatrix()创建DDS对象。
它需要三个核心参数：

• countData
• colData
• design

design表示你想研究的变量，最常见写法是~ condition。

如果分组错了，后面的所有结果都会错。

3.3 运行DESeq主函数

创建好DDS对象后，使用DESeq()进行分析。
这一步通常会完成：

• size factor估计
• 离散度估计
• 模型拟合
• Wald检验

然后用results()提取差异分析结果。

输出结果一般包括：

• baseMean
• log2FoldChange
• lfcSE
• stat
• pvalue
• padj

其中，padj通常是筛选差异基因时更重要的指标。

3.4 常用筛选阈值

实践中常用的筛选标准是：

• padj < 0.05
• |log2FoldChange| > 1

这相当于fold change大于2。
如果研究更严格，可使用padj < 0.01。

但要注意，阈值不是越严越好，要结合样本量、研究目的和生物学背景。

4. 结果解读不能只看显著性

4.1 先看分组是否合理

差异分析前，建议先确认样本关系是否符合预期。
常见做法是用VST或rlog后做PCA。

如果实验组和对照组能够大体分开，说明分组和数据质量通常较可靠。
如果样本混杂严重，就要检查：

• 分组是否有误
• 是否存在离群样本
• 是否有批次效应
• 是否测序深度差异过大

4.2 低表达基因要谨慎

低表达基因容易带来不稳定的fold change。
DESeq2在统计上会对这类基因进行一定处理，但分析者仍应谨慎解释。

一个基因“显著”不代表它一定“重要”。
还要结合表达量、通路背景和文献证据判断。

4.3 上下调基因都要看

差异分析后，不要只盯着上调基因。
下调基因往往更能提示抑制性通路、反馈调控或病理状态改变。

建议整理结果时增加一列：

• up，log2FC > 0
• down，log2FC < 0

这样更方便后续可视化和富集分析。

5. 批次效应和特殊情况怎么处理

5.1 批次效应要提前考虑

TCGA、GEO和多中心数据中，批次效应很常见。
如果batch和分组强相关，结果会被严重干扰。

处理思路有两类：

• 在DESeq2的design中纳入batch
• 先做VST，再用removeBatchEffect()处理用于聚类或可视化

要注意，去批次后的表达矩阵通常不建议直接用于差异表达检验。

5.2 生物学重复很重要

从DESeq2 1.22版本以后，官方推荐使用有生物学重复的数据。
没有重复时，统计稳定性会明显下降。

对于真实科研项目，生物学重复不是可选项，而是基本要求。

5.3 过滤低表达基因能提升效率

DESeq2可以自动处理一部分低表达基因，但在大数据场景下，预过滤仍然有价值。
常见做法是保留在至少若干样本中count大于0的基因。

这样可以：

• 减少计算量
• 提高分析速度
• 降低噪音基因干扰

6. 一个适合初学者的实战流程

6.1 标准流程建议

如果你是第一次做DESeq2差异分析，可以按这个顺序执行：

1. 整理原始counts。
2. 准备样本分组表。
3. 确认样本顺序完全一致。
4. 构建DDS对象。
5. 运行DESeq。
6. 提取results。
7. 按padj和log2FC筛选。
8. 画火山图、热图和PCA图。
9. 进入功能富集分析。

这套流程足够覆盖大多数常规转录组项目。

6.2 常见错误要避开

新手最容易犯的错误包括：

• 把TPM当成counts输入
• 样本顺序错配
• 分组因子水平设置不清
• 把去批次后的矩阵直接用于差异分析
• 只看p值，不看padj
• 只看fold change，不看表达量

这些问题往往比代码本身更致命。

7. 为什么建议借助成熟工具和课程资源

7.1 代码会写，不等于流程正确

DESeq2差异分析代码本身并不复杂。
真正难的是数据整理、参数设置和结果判断。

对于真实项目，尤其是临床样本、TCGA数据或单细胞衍生表达矩阵，常常还涉及：

• 批次信息整合
• 样本过滤
• 分组重编码
• 输出结果规范化保存

一旦前处理出错，后面的统计再规范也没有意义。

7.2 解螺旋能帮你更高效落地

如果你正在学习或整理自己的DESeq2差异分析代码，建议结合成熟的实战模板和规范化流程。
解螺旋可以帮助你更快完成数据整理、分析步骤梳理和结果输出，减少重复试错。
对于医学生、医生和科研人员来说，这意味着更少的踩坑时间，更快进入生物学解释阶段。

总结Conclusion

DESeq2差异分析的核心，不是记住几行代码，而是理解counts输入、样本匹配、标准化、检验和结果筛选 这条完整链路。
只要把这五个关键步骤理顺，你就能稳定完成大多数转录组差异分析任务。
如果你希望把DESeq2差异分析代码真正用到项目里，并减少数据整理和结果解读中的失误，欢迎关注并使用解螺旋 ，让规范化流程帮助你更快产出可靠结果。