学会差异分析代码，让数据挖掘不再依赖零代码工具

引言Introduction

差异分析是生信入门的核心，但很多人只会点零代码工具，遇到配对设计、批次效应、芯片注释就卡住。真正能发文章、能复现、能解释结果的，还是代码。

1. 为什么差异分析不能只依赖零代码工具

1.1 零代码能出结果，但不够“可控”

零代码工具适合快速入门，也能完成基础筛选。但它通常把关键步骤隐藏起来。你看不到数据如何过滤，怎么标准化，设计矩阵怎么建立，也不清楚多重检验校正如何完成。

这会直接影响结果解释。
尤其在以下场景中，代码几乎是必需的：

• 非配对与配对样本混合分析。
• 芯片与测序数据分别处理。
• 批次效应校正后再做差异分析。
• 需要输出完整结果表和可复现代码。

1.2 差异分析的核心不是“找点”，而是“找对”

差异分析不是简单比较两组均值。它本质上是在控制样本结构、技术噪音和统计误差后，判断基因表达是否真的不同。

如果分组错了，后面的所有结果都没有意义。
这也是为什么医生、科研人员和医学生都需要掌握代码分析。它能让你自己判断：

1. 样本是否配对。
2. 分组是否合理。
3. 基因ID是否注释正确。
4. 结果是否满足统计学标准。

2. 差异分析完整代码的核心流程

2.1 数据读取与整理是第一步

以芯片数据为例，常见流程是先读取原始表达矩阵，再导入样本信息。课程中演示了用 LIMO 和 limma 完成芯片差异分析，也展示了 GEO 数据集的读取与标准化处理。

第一步不是直接跑差异分析，而是先确认数据结构。
你需要检查：

• 表达矩阵维度是否正确。
• 样本名是否与分组信息一致。
• 是否存在缺失值或异常值。
• 数据类型是芯片还是测序。

对于测序数据，常见做法是先获取 count matrix，再用 DESeq2 或 edgeR 进行分析。对于芯片数据，limma 更常用，适合线性模型框架。

2.2 标准化与过滤决定结果质量

原始数据里往往有大量低表达或不稳定信号。若不过滤，后续会增加假阳性。

课程提到两类关键步骤：

• 芯片数据使用 NEQC 标准化。
• 通过 detection PValue 过滤不可靠探针。
• 测序数据则常先做表达量过滤，再进行标准化。

这一步的目标很明确。就是保留可信信号，去掉噪音。

例如，在芯片分析中，先完成表达矩阵提取，再过滤掉 detection PValue 过高的探针，可以明显提升结果稳定性。这个思路比“直接出差异表”更接近真实研究逻辑。

2.3 PCA是差异分析前必须看的质量控制图

PCA不是装饰图。它是判断样本整体分布是否合理的重要工具。

如果同组样本聚得近，说明组内一致性较好。
如果不同组样本明显分离，说明生物学差异较强。
如果样本按批次而不是按分组聚类，提示批次效应可能很重。

PCA图的价值在于提前发现问题。
在真正建模之前，就能看出：

• 是否有离群样本。
• 是否存在批次驱动。
• 分组信号是否明显。

3. 芯片与测序的差异分析代码，重点不一样

3.1 芯片数据更强调注释和探针合并

芯片平台常见问题不是“有没有表达”，而是“这个探针对应哪个基因”。

课程中强调了从 Bioconductor 的芯片注释包中提取 symbol，再与表达矩阵合并。若同一基因对应多个探针，还需要去重并求平均。

这是芯片分析必须处理的一步。
否则结果里会出现：

• 一个基因多行。
• 注释缺失。
• 探针名和基因名不一致。

对于科研写作，这类问题会直接影响结果表可信度。

3.2 测序数据更强调模型和校正

测序数据通常使用 DESeq2、edgeR 等工具。课程内容展示了用 edgeR 进行完整差异分析的流程，包括：

1. 构建 group 向量。
2. 创建 DGEList 对象。
3. 过滤低表达基因。
4. 计算标准化因子。
5. 估计离散度。
6. 进行统计检验。
7. 导出 topTags 结果。

这里最重要的是设计思路。
不是只会调用函数，而是知道每一步对应什么统计含义。比如：

• calcNormFactors 解决样本测序深度差异。
• estimateDispersion 估计基因表达离散程度。
• topTags 输出显著结果和校正后P值。

3.3 配对样本分析不能按普通分组处理

配对设计是很多初学者最容易出错的地方。
例如同一个患者的病灶与邻近正常组织，不能当作独立样本处理。

配对分析必须把个体差异纳入模型。
课程中对 GSE57957 等配对样本数据的整理就体现了这一点。需要先提取样本名、组织类型，再筛掉不成对样本，最后用合适的 design 矩阵进行建模。

如果忽略配对关系，结果会失真。
常见后果包括：

• 显著基因数量虚高。
• 组间差异被个体差异掩盖。
• 审稿时被质疑统计设计不合理。

4. 差异分析结果怎么筛，才符合科研写作

4.1 只看P值不够，要同时看logFC

差异分析结果一般会同时给出 P 值、校正后 P 值和 logFC。

P 值说明差异是否可能由随机波动造成。
logFC说明差异方向和幅度。

常见筛选标准包括：

• P value < 0.05。
• adj.P.Val < 0.05。
• |logFC| > 1 或更严格的阈值。

但具体阈值要结合研究目的。
如果做机制探索，可以更严格。
如果做候选基因筛选，可以适度放宽，再结合实验验证。

4.2 topTable和topTableF要分清

在 limma 中，topTable 和 topTableF 用途不同。
前者常用于提取指定对比的差异结果。
后者更偏向整体检验场景。

不要机械套用函数。
你需要知道自己是在做单一对比，还是多组整体比较。否则很容易得到看似正常、实际不对应研究问题的结果。

4.3 结果保存不是最后一步，而是复现的一部分

课程里还强调了保存校正后的表达矩阵、样本分组信息和差异结果。这个习惯很重要。

建议至少保存三类文件：

• 标准化后的表达矩阵。
• 分组和样本信息表。
• 全量差异分析结果表。

这样后续做火山图、热图、GO、GSEA 或验证实验时，都能直接调用。

5. 学会完整代码，才有能力做进一步分析

5.1 差异基因只是起点，不是终点

差异分析真正的价值，不是得到一张表，而是把结果接到后续研究上。

基于差异基因，常见后续工作包括：

• GO 富集分析。
• GSEA 分析。
• PPI 网络分析。
• 上下游调控网络分析。
• 药物靶点和转录因子预测。

代码能力的意义，就在于把“筛基因”变成“做课题”。
只有你理解前面的统计流程，后面的功能富集和机制挖掘才站得住。

5.2 火山图和结果标注是最常见的输出

在测序数据可视化中，通常会先把差异结果整理成数据框，再按阈值定义显著基因。

常用步骤包括：

1. 将行名转换成基因列。
2. 合并 GTF 或注释信息。
3. 去掉缺失值。
4. 用 ifelse 标记上调、下调和不显著。
5. 用 ggplot2 画火山图并添加标签。

这类图不是为了好看，而是为了让结果一眼可读。
读者能快速识别显著基因的方向和分布。

5.3 代码学习的真正价值，是提高研究上限

零代码工具能让你“做出来”。
代码能力能让你“做对、做深、做快”。

尤其面对以下问题时，代码优势很明显：

• 数据集不完整，需要自己整理。
• 分组信息复杂，需要重新建模。
• 需要复现别人文章中的分析。
• 需要在不同平台之间做一致性处理。

总结Conclusion

差异分析不是点几下鼠标就结束。它涉及数据读取、标准化、过滤、建模、统计检验和结果解释。只有掌握差异分析完整代码，才能真正理解每一步为什么这样做。
如果你想系统提升芯片和测序差异分析能力，减少对零代码工具的依赖，可以直接关注解螺旋的课程与实战资源。把代码学透，后续的课题设计、结果验证和论文写作都会更顺。