零基础玩转edgeR差异分析：生信小白必看指南

引言Introduction

做转录组差异分析时，很多人卡在第一步。样本怎么分组，原始counts怎么读，低表达基因怎么过滤，结果又该如何解释。edgeR是Bioconductor中经典的差异分析工具 ，适合从零开始建立规范流程。

1. edgeR是什么，为什么适合零基础入门

1.1 从原始counts出发，适合标准RNA-seq流程

edgeR处理的是原始计数数据 ，不是已经标准化后的TPM或FPKM。它基于负二项分布建模，核心任务是识别两组样本中表达显著变化的基因。对医学生、医生和科研人员来说，这一点很重要。因为它对应的是更接近统计建模的标准差异分析流程。

edgeR常用于mRNA、miRNA、lncRNA等表达差异分析。课程中也强调了这一点。同一套代码框架可迁移到不同类型的表达矩阵 ，只是输入数据不同。对于做ceRNA、肿瘤分型、药物反应分析的人，这种通用性很高。

1.2 edgeR的核心优势

edgeR的优势不在“复杂”，而在“稳定”。它的标准流程清晰，适合建立可复用分析模板。常见步骤包括：

1. 读取原始counts。
2. 创建分组信息。
3. 构建DGEList对象。
4. 过滤低表达基因。
5. 计算标准化因子。
6. 估计离散度。
7. 进行显著性检验。
8. 导出差异基因结果。

只要理解这8步，edgeR差异分析代码就能真正上手。
这也是为什么很多生信文章和课程会把它作为入门工具。

2. 差异分析前必须先做的三件事

2.1 先确认输入的是原始counts

edgeR不适合直接拿归一化后的表达值跑。因为它的统计模型建立在计数型数据 上。也就是说，你的输入矩阵应该满足以下特点：

• 行是基因。
• 列是样本。
• 值是整数计数。
• 不应是log后数据。

如果输入类型不对，后续标准化和统计检验都会失真。很多初学者报错，不是因为代码错，而是因为数据类型错。

2.2 分组信息决定结果方向

差异分析里，分组是最容易被忽略的地方。分组顺序会直接影响logFC的方向解释。
例如 tumor-control 和 control-tumor，得到的上下调方向是相反的。

课程中给出的典型做法，是根据样本名自动识别分组。比如通过列名某几位字符判断样本属于control还是case。对于TCGA类数据，这种方法很实用，但前提是你要先熟悉自己的样本命名规则。

2.3 低表达基因要先过滤

低表达基因会增加噪声，影响离散度估计和检验稳定性。edgeR分析前通常会先去掉表达过低的基因。课程中提到的做法是过滤均值小于1的基因。

这一步的意义很直接：

• 降低假阳性。
• 提高统计效率。
• 减少无信息基因对结果的干扰。

过滤不是删数据，而是提高分析质量。

3. edgeR差异分析代码的标准流程

3.1 加载包并读取数据

在正式运行前，先加载edgeR包，并读取原始表达矩阵。常见分析中，数据可能来自DESeq2整理后的原始文件，也可能是保存好的R数据对象。课程提到可用load()快速读取，这在大数据项目中很常见。

读取后，建议先检查结构：

• head()查看前几行。
• 确认行名是基因名。
• 确认列名是样本名。
• 确认矩阵维度正确。

先验证数据，再开始建模，是避免后续返工的关键。

3.2 创建分组向量与DGEList对象

edgeR分析的关键对象是DGEList。它把原始counts和分组信息整合到一起，便于后续标准化、离散度估计和检验。

典型逻辑如下：

1. 创建group向量，标识control和case。
2. 使用rep()生成组别信息。
3. 用DGEList()构建对象。

这一步的本质，是把“表达矩阵”升级成“可分析对象”。
没有这一步，后面的edgeR函数无法正常工作。

3.3 过滤低表达并做标准化

接下来要做两件事。第一，过滤低表达基因。第二，使用calcNormFactors()计算标准化因子。edgeR默认使用TMM方法进行归一化，主要是校正样本间文库大小和组成偏差。

标准化后，建议查看因子结果。因为如果某个样本的标准化因子明显异常，往往意味着：

• 样本质量存在问题。
• 文库构成差异过大。
• 需要回到原始数据排查。

标准化不是形式步骤，而是决定比较是否公平。

4. 结果怎么看，哪些指标最重要

4.1 离散度和显著性检验

edgeR的统计核心之一是离散度估计。课程中提到使用estimateDispersion或类似函数思路来计算离散度，然后进行差异检验，最终获得P值。

对初学者来说，可以这样理解：

• 离散度反映样本间波动。
• 波动越大，检验越保守。
• 波动越小，越容易检出差异。

edgeR基于负二项分布模型，适合处理RNA-seq中常见的过度离散问题。相比简单的t检验，它更贴合转录组数据特征。

4.2 topTags输出的是完整差异结果

差异检验后，通常使用topTags()查看结果。通过设置n参数，可以输出全部基因，而不是只看前几条。

结果中常见字段包括：

• 基因ID。
• logFC。
• logCPM。
• PValue。
• FDR。

其中logFC和FDR是筛选差异基因最常用的两个指标。

4.3 logFC和FDR怎么解释

logFC表示倍数变化的对数值。
如果logFC大于0，说明目标组上调。
如果logFC小于0，说明目标组下调。

FDR是多重假设检验校正后的结果，通常比原始P值更适合用于筛选。因为转录组一次会检测上万基因，直接看P值容易产生假阳性。

实践中常见阈值包括：

• PValue < 0.05。
• |logFC| > 2。
• 或结合FDR进一步收紧。

真正有意义的差异基因，必须同时满足统计学和生物学幅度。

5. 结果筛选、保存与可视化

5.1 筛选上下调基因

课程中给出的筛选逻辑很明确：先按P值和fold change筛选，再区分上下调。常见条件为：

• p值小于0.05。
• |fold change|大于2。

随后可用ifelse()判断表达方向，并添加Regulation字段，标记为up或down。这样处理后，结果表更适合后续作图和富集分析。

这一步的价值在于把统计结果转成可读结果。
科研里，能直接解释的表格比原始输出更重要。

5.2 导出结果并补充基因名

分析完成后，通常要把结果转换成数据框，再补充基因名，最后写入文件。这样方便：

• 下游富集分析。
• 火山图和热图绘制。
• 论文附表整理。
• 与实验验证结果对照。

建议保存时同时保留完整结果和筛选结果。前者用于追溯，后者用于展示。

5.3 火山图和热图是最常见的输出

edgeR结果出来后，最常见的可视化有两类。

1. 火山图。
   横坐标常用-log10(FDR)，纵坐标用logFC。
   上调、下调和未达阈值的基因可以用不同颜色区分。

2. 热图。
   通常提取显著差异基因表达矩阵，使用热图展示样本间表达模式。
   低表达可设为蓝色，高表达设为红色。

火山图看整体，热图看分组模式。两者结合最有说服力。

6. edgeR与DESeq2怎么选

6.1 没有绝对优劣，关键看场景

课程中明确提到，edgeR和DESeq2没有绝对优劣。两者都属于主流RNA-seq差异分析方法。很多研究中，两者结果重叠度可达到80%以上。

如果你的目标是建立规范流程，理解统计逻辑，edgeR非常适合。
如果你需要更偏向另一种建模框架，也可以用DESeq2。
重点不是追求“唯一正确”，而是保证方法适配数据。

6.2 初学者最容易犯的错误

常见问题主要有四类：

• 把TPM/FPKM当作counts输入。
• 分组方向设置错误。
• 过滤低表达基因不充分。
• 只看P值，不看FDR和logFC。

这些错误会让结果看起来“有很多差异基因”，但其实可信度不高。
所以初学者最需要做的，不是堆代码，而是理解每一步的统计意义。

7. 从代码到实战，如何更快上手

7.1 建议把edgeR流程整理成模板

对于医学生、医生和科研人员，最有效的学习方式不是死记函数，而是把流程整理成模板。你可以固定以下模块：

1. 读取数据。
2. 自动分组。
3. 构建DGEList。
4. 过滤低表达。
5. 标准化。
6. 估计离散度。
7. 差异检验。
8. 导出和作图。

这样以后只需替换样本名和条件，就能重复分析新数据。
模板化，是提高生信效率的核心能力。

7.2 用解螺旋课程和工具减少试错

如果你已经有原始数据，但不确定怎么分组、怎么写edgeR差异分析代码，或者不知道结果该怎么筛选和画图，可以直接借助解螺旋的系统课程和实战资源。它的价值在于把零散知识串成完整流程，帮助你少走弯路。

对想快速做出可复现结果的人来说，解螺旋可以把“会看代码”变成“会做分析”。

总结Conclusion

edgeR差异分析的核心并不神秘。它本质上是一个从原始counts出发，经过分组、过滤、标准化、离散度估计和显著性检验，最终得到可信差异基因的标准流程。只要理解输入数据、分组方向、低表达过滤和FDR筛选这几个关键点，零基础也能逐步上手。

如果你正在学习RNA-seq分析，建议把本文当作入门框架，再结合实际数据反复练习。想进一步提高效率、少踩坑，可以直接进入解螺旋 ，用更系统的课程和实战工具，把edgeR差异分析真正做规范、做完整、做可复现。