两个样本里同一个基因的计数分别是 500 和 800，看起来后者表达更高。但如果两个样本的测序深度、RNA组成和质量不同，这个差值可能主要来自技术条件，而不是生物变化。
原始计数记录的是观察量
RNA-seq 计数受到测序深度、文库组成、转录本长度和比对策略影响。不同样本的总计数不同，不能把原始数字视为统一尺度。
在分析前先保存样本表、文库信息和参考版本，矩阵中的每一列才能对应真实实验条件。
用于差异分析的方法通常在模型内部处理尺度，不应先用任意比例把数字改写。
标准化方法有自己的假设，文章只能说明原则，具体研究仍需统计人员按设计判断。
极端高表达会改变整体比例
少数高表达基因可能占据大量读段，使其他基因的相对计数下降。简单按总量除法，可能把组成差异误写成普遍下调。
应检查样本的表达分布和高丰度基因，判断是否存在明显组成偏差。
稳健方法会尝试估计样本尺度，但仍依赖大多数基因没有同方向巨大变化等条件。
当研究系统发生全局转录变化时，常规模型的假设需要重新评估。
基因标识版本会制造缺失
旧版 Ensembl ID、基因符号和探针编号可能在新注释中合并、拆分或停用。矩阵合并时若不记录版本，缺失值不一定代表没有表达。
映射时保存原始标识、目标标识、版本和一对多关系，无法确认的记录单独输出。
跨数据集比较前先统一物种和标识类型，再处理重复行，不以名称相似代替正式映射。
数据库更新可能改变映射结果，因此旧分析与新分析需要分别保留版本。
批次效应来自实验流程
不同实验日期、试剂、测序平台和操作人员都可能留下系统信号。若分组与批次完全重合，统计模型很难分开两者。
分析人员应先查看实验设计，使用 PCA、相关性和质量图发现可能的批次结构。
模型可纳入批次变量，但不能凭一张图自动决定删除或校正。
批次校正可能移除真实差异，特别是设计不平衡时必须谨慎解释。
可视化变换不等于模型输入
热图和 PCA 常使用方差稳定或对数类变换，让不同表达范围更适合展示。差异分析模型则可能直接基于原始计数分布。
文件名应明确区分 raw counts、normalized values 和 transformed values，避免团队混用。
图形脚本与统计脚本分别记录输入，结果摘要说明每种矩阵的用途。
把可视化矩阵重新送入不匹配的模型，会破坏方法假设。
标准化后仍要检查样本
标准化可以减少尺度差异，但不会修复错误标签、污染样本、低质量文库或缺失协变量。
再次查看分布、样本距离和关键质量指标，确认技术差异是否得到合理控制。
异常样本需要结合实验记录解释，不应只因为它影响显著性就删除。
任何排除都要写入分析日志，并比较排除前后的主要结论。
跨研究合并比单批次更复杂
不同研究可能使用不同组织处理、测序平台、参考版本和临床定义。把矩阵拼在一起并增加一个批次变量，未必足够。
可以先在每个研究内分析，再比较效应方向或做适当的整合模型。
共同基因集合、样本元数据和质量门槛必须清楚定义，缺失字段不能被默认成同一类别。
整合结果适合发现候选模式，但仍需要回到各研究原文确认语境。
云端计算要保存方法环境
表达分析依赖 R、Bioconductor 和具体包版本。升级环境后，默认参数或注释数据库可能变化。
为每次正式分析保存锁定文件、会话信息、脚本提交版本和参考数据日期。
先用小样本验证资源与流程，再运行完整矩阵，减少失败任务和无意义数据复制。
云实例规格影响运行效率，不应被写成统计方法正确性的证据。
解释差异要回到效应量
显著性同时受到样本量、离散程度和多重检验影响。只按 P 值排序，容易忽略变化幅度和稳定性。
报告效应量、置信区间、表达水平和敏感性分析，让读者理解结果规模。
对关键基因和通路使用独立数据、实验或文献交叉核验。
表达差异不能单独证明诊断价值、治疗效果或因果关系。
本文参考资料
- NCBI Gene Expression Omnibus
- Bioconductor
- Ensembl 基因组浏览器
- NCBI：RNA-seq 介绍
资料名称仅用于说明本文查阅范围，页面暂不提供外部链接。