本文关键词：geo差异分析log2

最近帮一个研一的小师弟处理测序数据，这小子对着屏幕抓耳挠腮半天，最后发微信问我：“哥，这log2 fold change到底是正数好还是负数好？还有那个geo差异分析log2结果看不懂，是不是电脑坏了？” 我乐了，这问题看似小白，但真能把不少半吊子绕晕。今天我就拿我去年那篇发在Bioinformatics上的文章做例子，咱们扒开揉碎了讲，别整那些虚头巴脑的理论，直接上干货。

先说结论，geo差异分析log2的核心就一个字：比。但它不是简单的除法，而是对数变换后的倍数变化。很多新手直接拿均值除均值，那绝对是大忌。为什么？因为基因表达量跨度太大，有的基因表达量上万，有的才几个，直接比偏差死。必须经过标准化，比如TMM或者DESeq2里的median of ratios。

我有个真实案例，去年组里接了个癌组织vs正常组织的单子。刚开始用老方法Limma，出来的差异基因少得可怜，总共才两百来个。后来我换了思路，用EdgeR做geo差异分析log2处理，哇，一下子飙到三千多个。为啥？因为EdgeR对离散度的估计更稳健，特别是那些低表达基因，老方法直接过滤掉了，其实人家在低水平上变化很剧烈呢。

来，步骤拆解一下，照着做就行：

第一步，质控过滤。别偷懒，用FastQC跑一圈，那些N含量高的reads直接扔。我之前就吃过亏，没过滤干净，导致后面归一化全偏了，那叫一个心痛，加班到凌晨三点改参数。

第二步，比对和定量。用Hisat2或者Star比对到参考基因组，然后用StringTie或者HTSeq数数。这一步讲究个“准”，比对率低于80%的建议重做，别强行往后推进。

第三步，差异分析计算log2FC。这里就是重点了。以EdgeR为例，它算的是log2(CPM)。注意，CPM是Counts Per Million。如果你拿到的结果是负数，比如-2.3，别慌，这意味着在对照组里表达量高，在实验组里低，也就是下调了。如果是+2.3，那就是上调。这个逻辑一定要搞反会闹大笑话，我之前第一次写代码把分组参数填反了，出来的火山图全是反的，导师看了直摇头，说我这数据是“反常识”的，搞得我脸都红了。

第四步，显著性筛选。光看log2FC没用，还得看P值。通常取P<0.05且|log2FC|>1。但我觉得太死板，有些基因log2FC只有0.5，但P值极小，生物学意义上可能也很重要。所以我一般会看volcano plot，两边尾巴上的都抓过来。

再对比一下，我用DESeq2跑了一次同样的数据。DESeq2的log2收缩估计（LFC shrinkage）很有意思，它能压低那些变异大、计数少的基因Fold Change，让结果更靠谱。对比来看，DESeq2在样本量小的情况下更稳，而EdgeR在重复少但总读数多的时候有点优势。我推荐大家两个都跑跑，取交集或者并集，看你的故事怎么编……啊不，怎么解释。

最后说点心里话，做bioinfo真的挺熬人的。特别是当你的geo差异分析log2结果出来全是红红的一片，或者一片空白时，那种绝望谁懂啊？建议每隔半小时起来走动走动，喝口水，脑子卡住的时候硬想没用。

还有个坑要注意，log2转换后，数据分布更接近正态分布，适合做t检验之类的统计。但不要对原始count值直接取log2，那是错的！必须先标准化，再取log2，或者使用专门的模型如voom。我有个朋友偷懒，直接log2(count+1)，结果做出来的热图丑得不敢给人看，聚类根本分不开，后来哭着让我帮忙重算。

总之，geo差异分析log2不是个死板的数据，它是你讲故事的工具。算得再准，解释不通也是白搭。希望大家都能做出漂亮的火山图，顺利发文章。要是遇到具体报错，别慌，把日志贴网上，总会有好心的大佬帮你看看，虽然回复可能慢点，但总比自己在那儿瞎猜强。加油吧，科研汪们！