如何将转录组与组学差异表达表做成火山图、聚类热图与 GSEA 富集图

将原始计数矩阵与 DESeq2 差异表达 CSV 表格转化为论文级学术图表,必须严谨处理假发现率校正、经验贝叶斯倍数收缩、方差稳定变换以及富集分析背景集。本文详解从数据清洗到生成出版级火山图、热图与通路分析的完整生信工作流。

HumanPen 团队

· 14 分钟

将转录组与组学差异表达表转化为期刊级学术图表

将转录组原始读数计数矩阵或 `DESeq2` 差异表达 CSV 表格转化为论文级学术图表,关键在于四项标准化统计步骤:基于 Benjamini-Hochberg 假阳性发现率校正值(`padj < 0.05`)而非原始 p 值筛选显著基因;采用经验贝叶斯收缩算法(`lfcShrink`)校正低表达基因的对数倍数变化以绘制火山图;利用方差稳定变换(`vst`)消除泊松噪声并做行向 z-score 标准化后再绘制聚类热图;富集分析必须设定全量已检测基因作为背景集以消除检测偏倚。

核心要点:组学数据可视化中最严重的偏倚,往往源于直接将统计表格当成纯粹的绘图坐标,而忽略了数据背后的测量方差特性。用原始 p 值筛选会引入成百上千个假阳性,未经收缩的倍数变化会让低计数噪声扭曲火山图分布,未经行向标准化的热图会被高表达管家基因掩盖真实趋势,而缺少显式背景集的富集分析则会输出大量虚假的通路结论。

湿实验分子生物学研究人员、临床医生以及生物医药研究生在开展转录组测序时,通常会收到测序中心交付的庞大表格,其中包含成千上万行基因读数计数或差异表达计算结果。当需要在基金申请或论文修回的紧迫期限内将这些表格转化为符合期刊出版规范的插图时,研究人员经常面临一系列方法学困扰:R 语言与 Python 生信包对输入数据格式要求严苛、参数筛选标准的微小变动会导致生物学结论发生偏移,且国际期刊审稿人对代码可复现性与多重假设检验校正的审查也日益严格。建立一套规范的下游分析流水线,是确保火山图、聚类热图、主成分分析图与功能富集图能够准确传达真实生物学调控、避免受伪影干扰的关键。

差异筛选准则:假阳性控制、缺失值机制与倍数收缩

在差异表达分析中,首要的方法学防线是在成千上万次并行假设检验中区分真实的生物学变异与随机抽样误差。在一项量化检测 20,000 个基因的标准转录组实验中,如果在完全原假设成立的理想情况下采用常规的原始显著性阈值 `p < 0.05`,仅凭偶然机会就会产生约 1,000 个假阳性发现。正如 Love、Huber 与 Anders(2014)在开发 Bioconductor 经典工具包 `DESeq2` 时所阐述的,通过 Benjamini-Hochberg 过程控制假阳性发现率(FDR),能够动态调整显著性阈值以严格约束错误拒绝原假设的预期比例。在实践中,许多研究人员常对 `DESeq2` 导出的 `padj` 列中出现大量 `NA` 感到困惑。这并非程序运行报错,而是独立过滤机制(`independent filtering`)在起作用:系统自动筛除了平均标准化读数过低的基因,因为这类基因在多重检验校正后在统计学上根本不可能达到显著性;另外部分样本存在由 Cook 距离识别出的极端离群计数时也会被标记为 `NA`。主动剔除这些低检验效能的假设,能有效减轻多重检验惩罚,从而提升中高表达候选基因的检验灵敏度。

统计指标计算定义与数学原理下游作图与筛选中的常见陷阱防御性最佳实践规范
原始 P 值(`pvalue`)未做多重检验校正的 Wald 检验或似然比检验名义显著性概率假阳性率极高;在全转录组 20,000 个基因中按 `p < 0.05` 筛选会产生约 1,000 个假发现严禁单独依据原始 p 值筛选差异基因;仅能作为多重检验校正算法的输入基数
校正后 P 值(`padj`)控制假发现预期比例的 Benjamini-Hochberg 假阳性发现率(FDR)校正值将 `NA` 缺失值误判为程序执行错误,随意替换为 0 或 1 造成统计失真统一设定 `padj < 0.05` 阈值;将 `padj = NA` 归类为低丰度独立过滤基因并保留原值
原始对数倍数变化(MLE)处理组与对照组标准化表达均值的极大似然估计对数比值(log2FC)低表达基因(如计数 0 对比 2)因分母极小产生虚假暴增的离群倍数,严重扭曲火山图分布严禁直接使用极大似然估计的原始 log2FC 进行基因全局重要性排序或火山图绘制
收缩后对数倍数变化基于 `apeglm` 或 `ashr` 算法的经验贝叶斯后验对数倍数收缩值(`lfcShrink`)在具有全局非对称转录激发的特殊实验中误用不适宜的正态先验分布统一采用 `lfcShrink` 收缩低信噪比基因倍数,在抑制低表达噪声的同时保留高置信度生物效应

另一个普遍存在的制图错误,是在绘制火山图时直接采用极大似然估计的原始对数倍数变化(`log2FoldChange`)。在转录组测序中,读数计数的方差会随着表达均值的增加而显著变大。对于一个在对照组中平均仅有 1 个读数而在处理组中有 4 个读数的低丰度基因,计算出的表面倍数高达 4 倍(`log2FC = 2`),但其绝对转录本丰度极低且伴随巨大的相对随机抽样误差。如果直接将未经收缩的原始倍数绘制在火山图上,这些不稳定的低计数基因就会散落在图表最外侧的醒目边缘,严重误导读者对生物学效应强度的判断。通过 `DESeq2` 推荐的 `lfcShrink` 函数运行经验贝叶斯收缩算法(如 `apeglm` 或自适应收缩模型 `ashr`),能够将离散度高、读数偏低的噪声估计强力向零收缩,同时保留高表达、高置信度基因的真实效应。在生成火山图数据坐标时,横轴应映射收缩后的 `log2FoldChange`,纵轴映射 `-log10(padj)`,并将 `padj = NA` 的基因在底端以中性灰色点展示,以保证数据的完整透明度。

  • 执行双重筛选截断标准:必须同时满足统计显著性(`padj < 0.05`)与效应量门槛(收缩后 `|log2FoldChange| > 1`),才能将转录本判定为显著上调或下调差异基因。
  • 规范保留独立过滤缺失标记:在导出的结果表中完整保留 `padj = NA` 状态,用于记录低表达过滤事实,切勿将其盲目替换为 0 或 1 等特定数值。
  • 作图与排序前必须执行经验贝叶斯收缩:在提取火山图绘图坐标或按照基因重要性排序前,务必通过 `apeglm` 或 `ashr` 执行 `lfcShrink` 计算。
  • 严格维护基因标识符映射词典:在分析全程中同时记录 Ensembl 基因稳定编码、Entrez ID 与官方基因 Symbol,避免因同义名混淆导致后续数据库比对脱靶。

样本质控与聚类热图:方差稳定变换与行向标准化

在从表格中挑选特定候选基因开展深层功能解析之前,研究人员必须首先对样本整体距离、生物学重复一致性以及批次效应展开系统性探查。生信初学者常犯的一个错误,是直接基于原始读数矩阵或朴素的对数转换(如 `log2(counts + 1)`)运行主成分分析(PCA)。在高通量转录组数据中,计数的方差往往随表达均值呈二次方膨胀,这种数学特性被称为异方差性。在未校正的对数转换下,超低表达基因会为样本间距离引入巨大的泊松抽样噪声,而超高表达的管家基因则几乎主导了全部欧氏几何距离。为了消除这种偏差,统计框架引入了方差稳定变换(`vst`)或正则化对数转换(`rlog`),将全表达区间的方差结构拉平为近似恒定(同方差),从而使降维聚类能够真实反映样本间的全局转录调控差异。

核心要点:主成分分析本质上是用于实验完整性核验的探索性质控手段,而非评判药物或处理是否起效的假设检验。基于 VST 变换矩阵绘制的 PCA 散点图,能够清晰揭示生物学重复是否良好聚类、是否存在未校正的技术批次效应(如不同测序批次或不同建库试剂盒引起的系统偏差),以及是否存在意外的样本混淆,确保在进入差异表达分析前排除脏数据。

在完成样本层面的全局质控后,双向聚类热图常用于集中展示核心差异基因(通常为按校正后 p 值排序的前 50 至 500 个显著基因)的表达模式。如果直接拿方差稳定变换后的数值绘制热图而忽略行向归一化,插图将失去辨识度:全样本中高表达的管家基因在每条泳道都呈现极深的亮色,而绝对丰度适中但极具调控价值的转录因子则通体暗淡,完全淹没了处理组与对照组之间的表达反差。要清晰呈现相对调控趋势,必须对每个基因在所有样本中进行行向 z-score 标准化:`z = (x - 行均值) / 行标准差`。行向标准化将每个基因的平均表达量归零并将方差缩放为 1,从而直观揭示某一具体样本相对于跨组基线是处于相对上调还是相对下调状态。

数据表征形式数学变换与处理方式推荐下游分析与可视化场景严禁采用的错误场景
原始读数计数(Raw Counts)比对到基因外显子区域的未归一化测序读段整数碎片计数直接作为 `DESeq2` 或 `edgeR` 负二项分布广义线性模型的输入严禁直接用于主成分分析(PCA)、样本欧氏距离计算或分群热图
DESeq2 归一化计数经中位数比值法(Median-of-ratios)文库大小因子缩放后的标准化计数绘制单个候选目标基因在各实验分组中的横向表达量对比箱线图不适宜直接用于多变量降维聚类,因为低丰度基因的泊松方差会主导全局距离
方差稳定变换(`vst`)消除均值-方差依赖关系、使高低表达基因方差趋于均一的变换矩阵样本全局无偏质控、主成分分析(PCA)散点图及批次效应排查严禁用于差异表达假设检验;负二项 GLM 模型必须严格基于原始整数计数
行向标准化打分(Z-Score)针对单个基因在所有样本中进行行向中心化与方差归一:`z = (x - 均值) / 标准差`绘制筛选后显著差异表达基因(如 Top 50)的双向分群聚类热图严禁对未经筛选的全转录组 20,000 个基因盲目计算,须基于显著差异基因集

功能富集分析:超几何过表达与无阈值 GSEA 的选择与避坑

从差异基因清单迈向生物学功能机制的解析,需要将散在的基因映射到标准化的功能知识库中,例如基因本体论(Gene Ontology,GO)与京都基因与基因组百科全书(KEGG)。现代生物信息学分析普遍基于 Wu 等人(2021)开发的 `clusterProfiler 4.0` 框架展开。研究人员通常面临两种主要分析范式的抉择:过表达分析(Over-Representation Analysis,ORA)与基因集富集分析(Gene Set Enrichment Analysis,GSEA)。ORA 采用超几何分布检验或单尾 Fisher 精确检验,评估差异基因集合中命中某条生物学通路的比例是否显著超越随机偶然概率。在已发表论文中极易出现的一个严重方法学缺陷,是在执行 ORA 时未显式指定背景参考基因全集(`universe`)。当省略该背景参数时,分析软件往往默认以物种的全基因组注释(人类约 20,000 个基因)作为背景。然而,具体某类组织或细胞的测序文库实际上通常仅能检出 11,000 至 13,000 个基因,若拿未表达的寂静基因一同作为参考背景,会导致大量通用的细胞存活与基础代谢通路产生虚假的超高度富集。

方法学比较维度过表达分析(ORA / enrichGO)基因集富集分析(GSEA / gseGO)质控与防御性规范
输入基因集合基于统计显著性阈值(`padj < 0.05` 且 `abs(log2FC) > 1`)筛选出的离散基因列表包含所有通过基础质控测序检出基因的完整连续排序列表,无需设定筛选截断杜绝通过反复试探调整阈值来刻意凑出符合预期通路的学术不端行为
统计假设检验算法超几何分布检验(Hypergeometric test)或单尾 Fisher 精确检验基于加权柯尔莫哥洛夫-斯米尔诺夫(Kolmogorov-Smirnov)最大偏差的游程得分明确检验算法对离散集合与全局连续分布的不同适用假设
阈值设定敏感度极高;人为将对数倍数截断从 1.5 倍调整至 2.0 倍可能导致富集通路显著改变彻底摆脱离散截断影响;能够灵敏捕捉整条通路中基因表达的协同微调趋势当生物学表型由多基因温和协同调控驱动时,优先采用 GSEA 验证
背景参考全集要求必须显式传入本次实验实际检出的全部有效基因向量(`universe`)隐式包含在由全量有效基因构成的连续排序列表中,天然具备背景约束严禁在 ORA 中缺省背景全集,全基因组默认背景会导致严重的系统性假富集

为了摆脱 ORA 对人为设定显著性截断值的高度依赖,研究人员广泛采用基于全局连续排序的基因集富集分析(GSEA)。GSEA 不会因为某个关键基因的校正后 p 值为 0.052 就将其生硬抛弃,而是将本次测序中定量检出的所有有效基因按照差异贡献度进行无偏连续排序。在 `DESeq2` 分析中,业界公认的最佳排序指标是 Wald 检验统计量(`stat`),或者采用带符号的显著性综合指标 `sign(log2FoldChange) * (-log10(pvalue))`。GSEA 算法计算基因集在整个排序列表中的游程富集得分,评估预设通路的成员基因是集中富集在列表顶部(整体激活)还是底部(整体抑制)。这种基于全局排名的检验方式,能够极其敏锐地捕获代谢重塑或表观遗传修饰等由多基因系统性微调引起的协同生物学效应,有效弥补了单一基因离散筛选的局限。

  • 显式传入有效检出基因作为背景全集:在运行超几何分布 ORA 检验时,必须传入包含实验中所有通过基础过滤的检出基因向量作为 `universe`。
  • 构建规范去重的连续排序列表用于 GSEA:依据带符号 Wald 统计量(`stat`)自大到小对全量检出基因排序,剔除重复基因符号以确保 GSEA 稳定运行。
  • 输出多维度互补的可视化图表矩阵:综合输出展现通路显著度与富集比例的气泡点图(dotplot)、展示跨通路基因交叠的网络图(`cnetplot`)以及标准 GSEA 游程得分折线图。
  • 在论文方法学章节详尽披露生物信息学参数:准确记录软件包版本、背景集大小及具体筛选参数,具体自查标准可对照我们的方法与结果规范修订清单。

在 HumanPen 发起项目中执行组学下游分析与全套作图

将结构复杂的原始表格数据转化为多载体专业交付物,可以通过现代化的分析流程高效实现。上传数据和文献、写清需求,确认方案后才开工,经审核后交付报告、图表和代码,可在线预览或打包下载。通过将繁琐的脚本运算、指标结构化沉淀与文档排版渲染交给系统化流水线处理,研究人员与分析团队能够将精力完全聚焦于对数据结果的深层洞察与决策推演。

平台运行能力与边界说明:HumanPen 发起项目支持上传 Excel、CSV、Word、PDF 及 zip 压缩包等格式(单项目总量不超过 2 GB),在独立的隔离沙箱中基于 Python 或 R 运行统计分析(原用 SPSS 或 Stata 开展的分析改用 Python 或 R 脚本完成)。知网 CNKI 或万得 Wind 等数据库数据须先自行导出后上传,目前暂不支持 GPU 训练;按实际用量实时计费,数据默认保存 6 个月(到期前 3 天提醒)且支持随时彻底删除。

在将发起项目应用于组学下游分析时,研究人员只需上传包含原始整数计数的读数矩阵或 `DESeq2` 导出的差异表达 CSV 表格,并附带明确样本处理、批次与生物学重复的元数据表。平台将在独立的隔离计算沙箱中运行容器化的 R 与 Python 生信流水线,调度 `DESeq2`、`apeglm`、`ComplexHeatmap` 与 `clusterProfiler 4.0` 等专业算法包。整套交付成果包括可直接插入期刊手稿的 300 dpi 高清图表(样本 PCA 散点图、带收缩倍数标记的双截断火山图、行向 z-score 标准化的层次聚类热图以及 GSEA 富集轨迹图),同时打包规范的统计汇总表格与完整的可复现代码脚本。这种透明规范的交付逻辑,与在 HumanPen 发起项目 页面中展示的公开示例项目保持严格一致。

对于正在撰写博士学位论文、准备论文修回材料或申报科研课题的科研工作者,发起项目所提供的交付文件严格定位为可复现的方法学底稿与科研学习支架。课题组负责人与第一作者对科学结论负有最终的学术责任,须亲自核查底层代码逻辑、比对湿实验表型与通路富集的合理性,并遵循目标学术期刊及所在学术机构关于科研数据分析工具的披露规范。在面向评审专家或跨学科评委撰写成果介绍时,将高深严谨的组学发现提炼为通俗准确的文字同样不可或缺,相关撰写标准可参考我们的通俗学术摘要撰写规范。

常见问题解答:转录组与差异表达下游分析

为什么 DESeq2 导出的 padj 列中会出现很多 NA,可以直接替换为 1 或 0 吗?

`DESeq2` 导出的 `padj` 列中出现缺失值(`NA`)是由三类明确的统计机制决定的:独立过滤、全零计数与极端离群值。如果某个基因在所有样本中的读数均为 0,其均值为 0,原始 p 值与 `padj` 均会自动赋值为 `NA`。如果某个样本中存在由 Cook 距离识别出的极大计数异常值,该基因的离散度拟合会被严重扭曲,算法会将其 `padj` 设为 `NA` 以免引入孤立伪发现。最普遍的情况是独立过滤机制:软件自动判定该基因的均值低于统计效能门槛,多重校正后绝无可能显著,故将其 `padj` 设为 `NA` 以减少总检验数。严禁将这些 `NA` 随意替换为 0 或 1,应保持其缺失状态并在差异基因统计中予以排除,同时在图表说明中注明独立过滤阈值。

为什么绘制火山图必须使用经过收缩的 log2 倍数变化(lfcShrink),而不是原始倍数变化?

绘制火山图必须使用收缩后的倍数变化,是因为极大似然估计得到的原始对数倍数在低计数基因中存在严重的方差膨胀问题。对于一个在对照组中为 0 个读数、在处理组中仅有 3 个读数的低丰度基因,由于分母极小,计算出的倍数变化会被夸大至极大数值,从而将该基因推到火山图两侧最醒目的离群区域,尽管其在生物学上并无扎实的表达证据支撑。通过 `apeglm` 或 `ashr` 等经验贝叶斯收缩算法,能够综合考虑基因的离散度与表达丰度,将信噪比极低的高方差估计强力拉向零,而高表达、高置信度基因的真实大倍数变化则完好保留。使用收缩后的数据作图,能够确保火山图的视觉离散度真实反映生物学效应大小,而非低读数抽样噪声。

在 clusterProfiler 中做 GO 富集分析时,如果不显式指定 universe 背景参数会有什么后果?

在 `clusterProfiler` 中执行超几何过表达分析(ORA)时,若不显式指定 `universe` 参数,算法会默认以物种注释数据库中的全量已知基因(人类约 20,000 个基因)作为抽样参考背景。然而,任何具体的细胞系或组织样品在特定生理状态下通常仅表达部分转录组(一般为 10,000 至 13,000 个基因),那些在当前实验体系中完全不表达的基因在测序中根本不可能被捕获。如果将未表达的基因一并算作背景,会人为拉大显著检出基因与背景基因的相对比例,导致广泛存在的通用细胞代谢、蛋白质合成以及基础细胞结构等通路出现极其严重的假阳性超高度富集。显式传入由本次实验实际检出的全量有效基因构成的背景集,才能确保富集结果真实反映特定实验处理引起的生物学响应。

通过 HumanPen 发起项目生成的生信分析与图表交付物能否直接用于学术期刊投稿?

通过 HumanPen 发起项目交付的分析成果符合国际期刊发表的技术规范,包括 300 dpi 高清矢量与位图图表、结构清晰的数据汇总表格以及带有规范注释的可复现 R 与 Python 脚本。然而,这套成果在学术属性上被明确界定为可复现的研究参考底稿与方法学支架。投稿作者与课题团队必须亲自核查代码逻辑、确认基因注释与转换的一致性、对生物学通路解释的合理性承担学术审查职责,并严格遵守目标期刊关于数据分析流程、原始代码开源及辅助工具使用的学术伦理与披露规范。

参考来源与生物信息学技术规范

本文所依据的负二项分布统计建模原理、方差稳定变换方法、倍数收缩算法与功能富集分析技术规范,均来自同行评议学术文献与官方生信技术指南:

继续阅读