1. 转录组测序的核心价值和适用场景转录组测序RNA-Seq这几年几乎成了生命科学领域最常用的高通量技术之一不管是刚进实验室的研究生还是做了多年的课题组负责人几乎都会在某个阶段接触到这项技术。我接触到转录组测序是从做植物非生物胁迫响应开始的当时还没意识到这个技术能解决那么多问题后来在动物、微生物、临床样本上都摸了一圈才真正理解它为什么能成为实验台上的“万金油”。转录组测序的核心逻辑很直白把某一状态下细胞内所有RNA反转录成cDNA加上接头后进行高通量测序然后通过比对和定量获得基因的表达量、可变剪接、融合基因、新转录本等信息。它回答的基本问题就是——在不同条件、不同时期、不同组织里哪些基因在表达表达量发生了什么变化哪些通路被激活或抑制。这套逻辑看似简单但实操中涉及的细节特别多从样本制备到数据分析每一步都可能影响最终结论的可靠性。如果你手头正在准备做转录组测序或者已经拿到了数据但不知道怎么往下走又或者只是想了解转录组测序到底能帮你回答什么生物学问题那这份汇总应该能把大多数高频困惑一次性讲清楚。以下内容以问答形式展开基本覆盖了我在实际项目里被问到最多的问题也包含了一些外包公司不会主动告诉你的细节。2. 实验设计相关的核心问题2.1 组学实验到底要设几个生物学重复这是整个转录组实验设计里最容易被低估的问题。很多第一次做转录组的同学容易按传统生物学实验的思路觉得做个两三个重复就够了但实际上转录组的批次效应、个体差异、测量噪声都比想象中大得多。推荐的最低配置是每个组至少3个生物学重复如果条件允许4到6个会稳健很多。为什么3个重复是底线而不是最佳选择因为转录组测序的本质是定量比较统计检验需要用生物学重复来估计组内变异。如果你只有2个重复差异表达基因鉴定时几乎无法可靠地估计离散度后续的统计推断会非常脆弱。DESeq2和edgeR这两个常用工具在设计时就默认了每个组至少要有3个重复否则连离散度参数都算不准。我见过一些审稿人明确要求补生物学重复的情况补实验的成本远比一开始多做一个重复高得多。技术重复的作用则完全不同。它只能评估建库和测序本身的重复性无法反映生物学差异在正式实验里纯属浪费经费。如果预算极度紧张保底方案是做3个生物学重复优先级远高于对同一个样本做多个技术重复。提示如果经费实在只够做2个生物学重复至少在数据分析时要用sva或RUVseq这类工具尝试校正批次效应并在文章里如实说明局限。别指望用夸大统计功效的方式掩盖实验设计缺陷审稿人通常一眼就能看穿。2.2 加不加生物学重复对差异基因数量影响有多大这个问题可以直接用一个直观结果来说明。同一个样本3个重复处理下筛出来的差异基因数量相比于仅用2个重复的情况经常会出现30%到60%的波动尤其在低表达基因区域会更加明显。低表达基因本来测序计数就少信噪比低重复数不够时这些基因的p值根本不稳定。具体来讲重复数的增加会带来几个直接变化。第一样本间相关性会有明显提升PCA图上的组间分离更清晰如果样本本身没有明显的离群点这个效果非常直观。第二差异基因筛选的假阳性率会下降用q值FDR校正后的p值过滤后剩下的基因可信度高很多。第三做聚类和富集分析时结果的稳定性和可重复性都会有质变。我在一个水稻盐胁迫项目里专门做过一个尝试同一个实验3个重复筛出约2000个差异基因补到5个重复后差异基因数量稳定在4800个左右而且关键通路富集的显著性明显提高。这个对比实验花了几千块测序费但换来了结论的可靠性对后续投文章很有帮助。2.3 混样测序能不能有效节约成本把同一处理下的多个个体混合起来提取RNA后混成一个样本进行建库测序这个策略在个体较小、RNA量少的样本中比较常见比如昆虫、线虫、小型鱼类组织。它确实能摊平一部分个体差异减少单个样本的建库成本但代价是无法评估组内生物学变异也无法做统计推断。所以混样策略只适合一种情况你只想比较两组均值差异不打算做显著性检验或者已经有大量前期数据支持结论方向这次测序只作为辅助证据。但凡你需要发表结论性的差异基因列表混样几乎不会被审稿人接受。混样还引入了一个额外风险就是极端个体的信号会被稀释掉某些在特定个体中高表达的基因可能因此被掩盖。如果经费真的很紧张我的建议是优先保证3个生物学重复即使建库方式更简单、测序量更低也比2个重复的深度测序更有统计效力。测量深度浅一点可以通过后续qPCR验证弥补但生物学重复缺失是补不回来的数据缺陷。2.4 哪些因素会导致组内样本差异过大组内样本聚类不到一起是一个高频问题背后的原因多种多样。最常见的几个来源取样部位不一致、取样时间跨度太大、RNA提取批次不同、建库操作人员不同、测序批次不同、样本本身存在隐性混样或污染。我之前在动物组织样本中遇到过一种情况——同一个处理组的三个生物重复PCA图上分成两个明显簇。排查到最后发现其中两个样本是上午取的另一个是下午补取的而动物的昼夜节律对肝脏转录组的影响非常显著足以形成组内分离。另一次是在植物样本中看似一致的叶片材料一部分取自叶脉明显的成熟叶另一部分取自嫩叶转录组差异同样拉大了组内距离。控制组内差异的核心要点是规范化取样。要在同一时间段完成所有样本的采集和保存取样部位要一致且明确例如植物取倒数第二片完全展开叶动物取同一解剖部位RNA提取尽量安排在同一批次完成建库测序最好在一个批次内完成。如果分批不可避免至少保证每个处理组的样本随机分布在各批次中避免组这一个变量和批次变量完全混淆。3. 样本制备与建库测序的实操要点3.1 RNA质量指标到底看哪些RNA质量是整个转录组实验的基石很多后续问题都是在这一步埋下的雷。常规评估指标包括浓度、纯度OD260/280、OD260/230和完整性RIN值或28S/18S比值。很多人只关注RIN值但这其实不够。OD260/280在1.8到2.1之间通常认为蛋白污染可控OD260/230大于1.8说明没有明显的盐分或有机试剂残留。这两个指标如果异常往往暗示RNA提取步骤出了问题比如吸取了中间层的污染物、异丙醇沉淀后未充分洗涤等。RIN值大于7是大多数建库平台的基本要求但不同样本类型对RIN的敏感度不同。植物样本因为存在大量次级代谢物和纤维RIN值能到7就已经难得有一定比例的降解可以接受而细胞系样本如果RIN值低于8通常说明操作环节出问题了。另外要提一个容易被忽略的点rRNA残留比例。真核生物总RNA中rRNA占比可达80%以上建库时的rRNA去除效率直接影响有效数据比例。如果建库后质控显示rRNA占比偏高往往是rRNA去除试剂盒的使用量、起始RNA量或操作时间没匹配上需要按试剂盒说明书重新优化不要盲目加大或减少用量。注意不要把RNA放到-80℃反复冻融。每冻融一次RNA完整性都会下降RIN值普遍会掉0.5到1个单位。RNA分装后一次性使用是我在所有项目里坚持的默写条款。3.2 真核有参和无参转录组怎么选这个选择问题看似简单实际决定了后续整个分析流程的方向。有参转录组是指物种已有参考基因组或参考转录组可以直接把测序reads比对到参考序列上再进行基因定量和差异分析。无参转录组则适用于没有参考基因组的物种需要先对测序reads进行从头组装de novo assembly得到转录本序列后再进行定量和注释。有参分析的优势是流程成熟、计算资源需求相对低、定量结果准确差异分析和功能富集都有大量现成工具可用。存在参考基因组序列但注释质量很差的情况分析时仍然可以使用基因组比对但基因注释的不完整会对定量结果造成影响。此时可以结合转录本组装工具如StringTie来补充新转录本改善注释信息。无参转录组的难点在于从头组装的质量非常依赖测序深度和读长。组装出来的转录本可能存在片段化、嵌合体等问题冗余度也高。做无参转录组时建议测序策略提高深度例如每个样本至少6G以上的clean data具体还要看物种转录组复杂程度读长方面用PE150优于PE100。后期用BUSCO评估组装完整性也是一个不错的质控指标可以帮助判断组装结果是否达到发表级别。3.3 测序深度和read长度的选择建议转录组测序的深度需求跟物种基因组大小、基因数量、表达谱复杂程度和研究目标直接相关。对哺乳动物、植物等基因组结构相似的物种一般每个样本测6到10G的clean data就能满足基因表达定量的基本需求人类样本更是普遍落在这一区间。如果要研究可变剪接、融合基因、新转录本或等位基因特异性表达这些任务对深度的要求往往要翻倍。可变剪接检测需要足够reads覆盖剪接位点低表达转录本的可变剪接事件只有高深度才能捕获。融合基因检测则需要reads跨越融合位点深度不足时会漏检低频事件。read长度的选择同样有讲究。双端150bp是目前的标配兼顾了成本、比对准确性和后续分析的可扩展性。普通基因定量用双端100bp也可以接受但如果涉及剪接事件分析、新转录本组装或同源基因家族区分150bp的优势会体现在比对率和组装连续性上。单端测序在转录组中已经很少见了仅在成本极敏感且只做简单基因定量时才会考虑。3.4 链特异性建库和非链特异性建库的区别链特异性建库strand-specific library能够保留RNA转录方向信息也就是知道reads到底来自正义链还是反义链。非链特异性建库则丢失了这个信息reads的来源链无法判断。对于普通基因表达定量两种建库方式的结果趋势基本一致但如果要做反义转录本、lncRNA分析、可变剪接或新转录本注释链特异性建库几乎是必须的。在数据分析层面链特异性信息会影响reads的比对和定量方式。使用比对工具时需要指定文库类型参数例如hisat2的--rna-strandness参数。定量工具featureCounts中也有相应的参数-s 0/1/2来指定文库是否为链特异性以及reads对应的链方向。如果不指定这些参数链特异性文库的reads有一半会比对到错误的链上定量结果会失真。链特异性建库试剂盒的成本比普通建库高一些但由于它能提供更丰富的转录本信息对研究RNA生物学细节的课题来说性价比很高。如果你拿不准要不要用链特异性建库稳妥的决策是预算允许的情况下优先用链特异性建库即使按普通表达定量出发也不会损失关键信息。3.5 核糖体RNA去除还是mRNA富集mRNA富集和rRNA去除是两种主流的建库策略。mRNA富集利用poly(A)尾结构用oligo(dT)磁珠富集成熟mRNA适用于带有poly(A)尾的mRNA。这种策略对高质量RNARIN值高效果显著能有效去除rRNA得到的数据中mRNA占比高。但对于降解样本mRNA分子本身已经断裂poly(A)尾可能丢失富集效率会明显下降。rRNA去除策略使用探针杂交去除rRNA不依赖poly(A)结构对降解样本更友好也能保留mRNA以外的转录本类型如pre-mRNA、lncRNA、circRNA等。因此对FFPE样本、长期保存的RNA或需要检测多种RNA类型的项目rRNA去除是更优选择。在成本上rRNA去除通常比mRNA富集贵一些起始RNA投入量要求也往往更高。对RNA质量较好的新鲜样本且只关注poly(A) mRNA的情况mRNA富集性价比高。对RNA质量不理想或想同时看非poly(A) RNA的项目优先考虑rRNA去除。有个需要留意的点是rRNA去除试剂盒对物种有特异性人类、小鼠、植物、微生物都有各自匹配的版本订购时务必确认是否覆盖你的物种范围。4. 数据分析流程中的关键步骤4.1 原始数据下机后需要做什么质控拿到测序公司返还的原始数据FASTQ文件先不要急着比对。第一步是检查数据质量这决定了后续分析结果的可靠性。最常用的工具是FastQC它从多个维度评估reads质量包括碱基质量分数分布、GC含量分布、序列重复水平、接头污染情况等。FastQC报告会产生一个HTML文件可以直接在浏览器中打开查看各项指标。值得关注的核心指标有四个。第一个是每个碱基位置的质量分数Q30比例应达到80%以上不同平台指标略有差异。第二个是GC含量分布应该呈现一个大致正态分布的峰如果出现明显双峰或异常偏移需要警惕污染或建库偏差。第三个是序列重复水平转录组测序本身的重复率会偏高因为高表达基因的reads会被大量测到所以重复率高不一定是坏事但要排除是否存在接头或引物序列大量重复。第四个是接头污染特别是read长度较短、插入片段较短的时候需要在分析前进行接头去除。质控后通常需要一步数据清洗。对含有接头的reads进行修剪对质量较低的碱基进行切除可以利用Trimmomatic、fastp、cutadapt等工具完成。我个人最常用的是fastp因为它一步就能完成接头检测、质量过滤、长度筛选还会自动生成质控报告省时省力。清洗完成后建议再跑一次FastQC确认处理前后的质量有明显改善。经验心得在要求测序公司交付数据时最好直接要求同时提供clean data已去接头、已过滤和原始数据。虽然自己清洗不难但测序公司会用统一的pipeline处理处理参数可以要求公开能省去不少重复劳动。4.2 参考基因组比对和定量工具怎么选目前转录组数据分析的主流流程主要围绕两个步骤将clean reads比对到参考基因组上再对基因或转录本进行定量。比对环节使用较多的工具是STAR和HISAT2。STAR速度极快对大基因组的处理能力强对剪接位点的识别也准确因此在高通量RNA-Seq项目中使用率很高。HISAT2的优点是资源占用相对较低运行时的内存需求和比对时间均小于STAR适合计算资源有限的环境。定量环节则要看你想得到什么层面的结果。如果只关心基因表达量gene-level countsfeatureCounts是最常用且高效的选择它能从BAM文件中统计比对到每一个基因外显子区域的reads数运行速度和内存占用表现都很好。如果想获得转录本层面的定量transcript-level counts需要使用RSEM或Salmon这类的工具。Salmon的优势在于可以直接对FASTQ文件进行定量不需要预先比对到基因组但定量结果的可信度与转录本注释的完整性高度相关。这里特别提醒一点featureCounts统计基因表达矩阵时默认是多线程-T参数但不会自动对paired-end数据进行正确处理。它默认把整条read当成一个片段计数--countReadPairs参数如果不加这个参数跑出来的计数矩阵会以read而不是fragment为单位数值跟预期的不同。另外featureCounts默认会统计所有类型的reads需要手动指定-t exon -g gene_id来确保只统计外显子区的reads并且按基因ID汇总。4.3 差异表达分析工具的算法差异在哪里常用的差异表达分析工具主要有DESeq2、edgeR和limma。前两者基于负二项分布模型适用于处理RNA-Seq计数数据中的过度离散问题。DESeq2通过对每个基因的均值-方差关系建模来估计离散度适合样本量较小的情况尤其在小样本和小重复数的场景下表现稳定。edgeR使用经验贝叶斯方法对离散度进行收缩在样本量相对充足时统计功效较高。limma的设计初衷是芯片数据分析后来通过voom方法扩展到了RNA-Seq计数数据。voom把计数数据转换为log2-CPM并对均值-方差关系做加权线性建模在样本量中等偏大时表现优秀计算速度也比前两者快。实际项目中选哪个工具除了看重复数和数据分布还要看每篇文献的常用习惯审稿人更容易接受大家熟悉的方法。有一个重要概念需要理解标准化。不同样本之间测序深度不同直接比较原始counts没有意义。DESeq2使用中位数比值方法edgeR使用TMMtrimmed mean of M values方法limma通过CPM或TPM进行转换。不同标准化方法对差异基因筛选结果有影响尤其对低表达基因和偏好性表达基因影响更明显。实际分析中可以在同一项目里同时跑两种方法取交集作为最终差异基因列表这样的结果更加稳健保守。4.4 差异基因筛选标准怎么定才合理差异基因筛选通常用两个指标log2(FoldChange)的绝对值和调整后的p值padj/q值。传统教材里常见的标准是|log2FC| ≥ 1且padj 0.05但这个黄金标准并不适用于所有实验场景。如果你处理的样本差异非常小用这个标准可能筛不出任何差异基因如果样本差异极大同样的标准又会筛出成千上万个基因导致功能富集结果过于宽泛难以聚焦。我建议根据你的数据分布动态调整。对照组和处理组的表达谱差异如果是温和的例如某个基因只差1.5倍你可以放低log2FC阈值到0.58或0.7但要提高padj的严格度比如要求padj 0.01。如果数据变异较大则应该提高log2FC阈值同时保持或放宽padj标准。另外可以做一步过滤把平均表达量极低的基因例如在任何样本中CPM都小于1的基因先过滤掉减少多重检验校正的负担。筛选差异基因不是一个纯客观过程需要结合生物学知识判断。我们筛差异基因的目的是为了后续解释生物学问题如果筛选结果包含大量表达量很低、跟已知通路毫无关联的基因那大概率是你标准放得太宽或者数据本身噪音较大。建议在正式筛选前先对整体表达谱做一次PCA了解数据总体的分离情况。如果PCA上组间没有明显分离那么再严格的筛选标准都很难得到可信的结果。4.5 功能富集分析应该怎么做才不出错拿到差异基因列表后接下来的常规步骤是GO和KEGG富集分析。现在常用的工具有clusterProfilerR包、DAVID、Metascape、g:Profiler等。clusterProfiler是目前最主流的R包支持GO、KEGG、Reactome、WikiPathways等多种数据库的富集分析可视化能力强代码生态也完善。GO富集分析需要注意的一个点是使用的基因背景。基因背景universe应该是你测序数据中检测到的所有基因而不是全基因组的所有基因。如果你用全基因组作为背景很多在测序中根本没检测到的基因也会被纳入统计这会让富集结果产生偏差。clusterProfiler中可以通过universe参数指定背景基因。KEGG富集分析还有一个常见坑物种的KEGG注释不完整时很多差异基因没有KEGG orthology条目富集结果通路上基因数少、p值不显著。此时可以考虑使用KEGG Orthology数据库的在线工具或KOBAS等替代方案。对模式生物来说KEGG注释比较完善富集结果通常稳定可靠对非模式生物建议先做GO富集分析再结合其他数据库策略来解读。富集分析的结果解读同样考验功力。如果一个通路里的差异基因只有一两个即使p值很小也不足以说明该通路整体被激活更合理的做法是关注那些富集基因数较多且关键基因处于通路核心节点的通路绘图时可以使用差异基因在各通路中的数量和显著性的气泡图来综合展示。4.6 多样本时间序列转录组怎么分析时间序列转录组和两两比较的常规差异分析有很大不同它的核心任务是识别表达模式随时间动态变化的基因而不是两两组的差异倍数。常见的处理方式包括Mfuzz、STEM、maSigPro等工具。Mfuzz基于模糊c均值聚类算法将表达趋势相似的基因聚成若干个cluster每个cluster代表一种随时间变化的表达模式。STEM专门针对时间序列数据进行趋势分析它会先定义一系列可能的表达模式然后将基因归入显著富集的模式中。时间序列实验的取样时间点设置非常关键推荐至少设3到5个时间点间隔要根据物种和研究系统的生物学节奏确定。例如研究节律相关的基因表达时间点可能要以小时为单位研究发育过程可能以天为单位。间隔过大会漏掉关键的过渡态间隔过小则数据分析复杂度和测序成本都会上升。时间序列分析中还需要注意标准化的问题。不同时间点的样本之间因为细胞周期、组织构成变化总RNA中mRNA比例可能不同使用TPM或FPKM做跨时间点比较时有其局限。更推荐使用FPKM结合内参基因归一化或直接用counts配合时间序列模型如maSigPro分析。4.7 WGCNA共表达网络分析适合哪些项目WGCNAWeighted Gene Co-expression Network Analysis是一种基于基因表达量构建共表达网络的方法通过计算基因间的相关性将表达模式相似的基因划分为模块module再与样本的性状或处理条件进行关联分析。这种分析尤其适合样本量较多的项目一般建议样本数在15个以上再使用WGCNA样本太少时模块构建不稳定。WGCNA的设计初衷是从整体网络角度寻找与性状相关的核心基因模块而不是逐个基因筛差异。因此在表型数据丰富的项目中例如不同发育时期、不同组织、不同疾病分期样本的转录组数据WGCNA往往能给出比常规差异分析更有生物学意义的候选基因。它可以把数万个基因压缩到几十个模块中通过模块-性状关联找到关键的调控模块再在模块内寻找hub基因。WGCNA的一个关键步骤是选择软阈值β。该参数决定了基因共表达网络的尺度无关性通常选择使网络符合无尺度拓扑结构的β值这个值一般在1到20之间。选择不当会导致模块划分出现噪声。WGCNA还对样本离群值敏感建网前务必检查样本聚类树剔除明显的异常样本否则模块结构会被个别离群样本带偏。5. 数据挖掘与可视化实用技巧5.1 除了热图还有什么适合展示表达模式大家都习惯用热图展示差异基因表达模式但热图远不是所有场景的最佳选择。如果样本量不大、基因数也不多用热图确实直观但如果差异基因有几千个整张热图只能看出整体色块分布个体的细节几乎全部丢失。此时我更推荐先对差异基因做聚类根据聚类结果分模块展示每个模块用对应的表达趋势折线图或箱线图呈现信息密度更高也更易读。火山图是展示差异基因筛选结果的经典方式横轴是log2FC纵轴是-log10(padj)可以同时展示差异基因的数量、上下调比例和显著性分布。做火山图时可以在R中用ggplot2自定义配色标出显著上调和下调的基因点添加阈值线。对时间序列数据折线图配合聚类分组是最直观的方式展示每个cluster的标准化表达量均值变化和单个基因的表达轨迹。基因集可视化方面GSEA富集图能有效展示一个基因集在排序列表中的富集位置和偏移方向。用clusterProfiler的gseaplot2可以直接绘制漂亮的GSEA图。此外KEGG通路图可以直接把差异基因标注到通路图上有助于直观理解基因在通路中的位置关系。5.2 转录因子预测和蛋白互作网络怎么构建转录组测序后续分析中大家经常想从差异基因中找关键的转录因子TF和调控网络。思路通常是先对差异基因做转录因子注释然后结合启动子区域的结合位点预测上下游调控关系。常用的数据库有PlantTFDB植物、AnimalTFDB动物、JASPAR、TRANSFAC等。这些数据库可以帮你判断差异基因中哪些是转录因子以及它们可能调控的下游靶基因。蛋白互作网络PPI分析常用于缩小候选基因范围。把差异基因对应到蛋白通过STRING数据库查询蛋白间的已知相互作用再用Cytoscape进行可视化根据网络拓扑属性如度值、介数中心性筛选核心节点hub gene。筛选出的hub gene往往在调控网络中扮演关键角色可作为后续实验验证的优先候选。但做这类分析要控制一个预期转录组数据本身是mRNA表达层面的信息预测出的调控关系属于间接证据。真正要证明转录因子A调控靶基因B需要ChIP-seq结合位点、DAP-seq体外DNA结合、EMSA、双荧光素酶报告实验等功能实验验证。把预测结果直接当作结论写进文章很容易被审稿人质疑。5.3 多组学数据联合分析怎么入门随着测序成本下降转录组测序经常与其它组学数据联动分析最常见的组合是转录组加代谢组或转录组加蛋白组。转录组数据提供基因表达层面的调控信息代谢组数据反映代谢物的最终变化两者联合可以在转录水平和代谢水平之间搭建桥梁识别关键调控节点。转录组与代谢组的联合分析最简单实用的思路是做KEGG通路的共富集分析。先分别对差异基因和差异代谢物做KEGG富集然后看哪些通路同时被显著富集到。这些交集通路往往就是调控最活跃的环节。更进阶的做法是计算差异基因和差异代谢物之间的相关性矩阵筛选高相关性的基因-代谢物对再通过代谢通路图整合展示。转录组与蛋白组的联合分析中区别在于基因表达与蛋白丰度之间可能存在转录后调控、翻译调控、蛋白降解等多层级调节相关性往往不是特别高。与蛋白组联合分析时建议同时分析转录本和蛋白的表达差异、表达趋势、蛋白互作网络寻找mRNA与蛋白变化趋势一致的基因作为高置信度候选。6. 常见报错与避坑经验6.1 测序数据量够了但比对率很低怎么办比对率低是一个很常见但原因多样的故障。首先要检查参考基因组和物种的匹配程度。基因组的版本和来源可能会影响比对率同一个物种不同版本的参考基因组间比对率差异通常在1%到3%但如果出现比对率低于70%的情况需要考虑是否有更接近的参考基因组存在。对某些物种参考基因组组装质量差、存在大量gap或错误拼接也会导致reads无法有效比对。其次要确认建库过程中是否存在外源核酸污染。常见来源包括试剂盒中的外源RNA酶或磁珠携带的细菌RNA、样本间交叉污染、操作过程中引入的皮肤细菌RNA等。用FastQC检查序列的物种来源可以用Kraken2或Kaiju快速对reads进行物种分类看看异常比对reads到底来自什么物种。如果确实有污染需要在后续分析中过滤掉外源reads并在实验操作中加强环境控制和交叉污染的防范。比对率偏低也可能与测序本身的关系更密切。如果reads质量差、接头残留多、测序长度不足都会导致比对效率下降。分析流程中建议先严格质控再比对。另外比对软件参数设置也会影响结果的优良取向例如STAR的--outFilterMismatchNmax、--outFilterMultimapNmax等参数决定了比对允许的错配和多重比对reads数量对重复序列区域丰富的基因组要合理设置多比对reads的处理策略。6.2 差异基因过少或过多分别说明什么问题差异基因数量为0或者极少在排除了生物学差异确实很小的情况后需要审视实验设计和分析流程。实验处理强度可能太弱剂量不够、时间太短也可能采样时间错过了最剧烈的转录响应窗口。这种情况下即使数据本身质量没问题筛不出差异基因是合理的。另一类原因是组内变异过大生物学重复之间表达差异显著大于组间差异导致统计功效不足这时需要增加重复数或检查取样操作的稳定性。差异基因数量异常多则可能是另一个层面的问题。如果处理造成细胞大规模死亡或损伤转录组的整体响应会很剧烈差异基因数量自然大但这种结果往往不容易聚焦到核心机制上。更常见的“假性过多”原因是组内聚类太差或批次效应未校正个别样本的离群导致大量假阳性差异。此时回到PCA图查看样本聚类是最快的诊断方法。一个值得强调的观点是差异基因数量本身不是目标它是否对应一个可解释的生物学故事才是重点。当差异基因数非常多时建议先做功能富集分析判断哪些通路发生了显著变化再回到通路中挑选关键节点基因。当差异基因数非常少时也不要轻言项目失败结合GSEA这类不依赖显著阈值的方法往往还能捕捉到整体趋势性的通路变化。6.3 转录组数据上传NCBI需要注意什么发表文章前通常会要求将原始测序数据上传到公共数据库目前国内科研人员最常用的上传渠道是NCBI的SRA数据库此外还有GEO数据库可以存放处理后的表达矩阵和元数据。上传前需要做一些准备工作整理样本元数据组别、处理条件、取样时间、部位、生物学重复编号等并申请BioProject和BioSample编号这些编号在文章的Data Availability部分引用。数据上传的格式要求比较严格一般需要将FASTQ文件经过gzip压缩后按照SRA推荐的目录结构提交。文件命名要求包含样本标识和lane信息上传后需要填写的元数据字段要尽量完整准确尤其是物种拉丁名、测序平台、文库类型和链特异性信息。上传时如果填写的文库类型与实际不符别人下载你的数据做分析时会很麻烦。这里要特别提醒上传之前务必确认已征得所有合作者的同意并检查样本信息中是否包含可识别身份的人类样本信息。涉及人类样本的数据需要关注伦理审批要求和隐私合规政策必要时应该对样本元数据进行脱敏处理。现在很多期刊要求上传原始数据作为接收条件最好在投稿前就完成上传并取得登录号避免投稿后临时补传造成时间延误。6.4 从测序到投稿一般需要多长时间这是一个经常被问到但没有标准答案的问题。完整流程包括实验处理、RNA提取与质检、文库构建与测序、数据质控与筛选、差异分析与富集分析以及最终的实验验证与论文撰写每一个环节都需要时间。单就测序公司孵化的时间而言常规转录组从样本送测到拿到clean data大约需要2到4周具体取决于测序仪排队情况和建库方式。数据分析阶段的时间弹性最大。如果分析流程熟练、服务器资源充足从原始数据到完整的差异基因列表和富集分析结果大约需要3到7天。但如果中途要处理样本混杂、低比对率、批次效应等问题时间会成倍拉长。我当时处理一个棘手的项目因为发现重复样本之间有污染不得不从头排查和重新处理数据多花了两周时间。所以一个理性的项目排期预期是从样本采集到拿到初步分析结果约1到2个月再加上后续的qPCR验证、western blot等功能验证和论文撰写半年到一年的周期比较正常。如果想压缩时间建议在取样之前就把分析流程和工具环境准备好并且在等测序结果的空窗期就把参考基因组下载好、索引构建好数据一到手就可以直接跑分析。7. 日常工作中值得坚持的几个习惯做转录组测序时间越久越觉得真正决定项目成败的往往不是那些最前沿的分析方法而是一些基础但容易被忽视的习惯。第一每拿到一个样本都要记录完整的信息。样本编号、来源、处理时间、提取时间、提取人、试剂批号、RNA浓度和RIN值这些元信息写在一个Excel表里后面做分析时遇到问题才能追溯。我有一次排查样本聚类异常就是靠保存的操作记录最终定位到两个样本是不同的人用不同批号试剂盒提取的RNA。第二在分析开始前先把分析流程完整跑一遍小规模测试。正式拿到全部数据之前可以先用一个样本或少数几条reads快速验证比对和定量流程是否能跑通重点观察是否有步骤因为参数设置或软件版本问题报错。免得数据全部到手后才发现流程有Bug来回调试浪费时间。第三定期整理代码和运行记录。做转录组分析的命令最好用一个shell脚本记录下来注明每一步的目的和关键参数并在脚本开头写明软件版本号。这样隔了几个月回来看还能快速搞清楚当时的分析是怎么做的写方法部分时也不必翻聊天记录找参数。第四对数据备份要保持强迫症。原始FASTQ、比对后的BAM文件、表达矩阵和每个步骤生成的中间文件建议在分析服务器和外部硬盘里各保存一份。BAM文件虽然大但它是后续很多分析的基础删了再想生成几乎不可能。测序公司通常会在一段时间后清理数据务必要在收到数据后第一时间做好本地备份。