专家意见：The article should explain how to identify and filter for genes that show different levels of expression.

译文：作者应描述如何选择筛选差异基因。

修改意见：转录组测序可得出细胞全基因组的全貌，但如何从这数以万计的观测点中，准确、可靠地筛选出真正有生物学意义的差异基因？而成功的差异基因筛选绝非单一阈值过滤，而是一个多步骤、分层次的决策过程，它始于实验设计，贯穿于数据分析，终于生物学解读。

第一步：实验设计：在分析任何数据之前，请审视实验设计：

● 生物学重复是否足够？ 单样本组别无法估计组内变异，将导致假阳性率失控。每组至少有3个独立生物学重复，对于变异较大的样本（如临床组织），可能需要5个以上。

● 对照组是否恰当？ 药物实验需要匹配的溶剂对照；时间序列实验需要基线对照。

● 批次效应是否控制？ 不同批次制备的文库可能引入系统性偏差。

第二步：统计筛选：这是差异基因筛选的核心技术环节，通常由生物信息学工具完成，但理解其原理至关重要。

1. 标准化与建模

原始读数（read counts）需标准化以消除文库大小差异。常用方法有：

● TPM/FPKM：适用于样本间比较的相对表达量

● DESeq2的median-of-ratios：对差异表达分析更稳健

● edgeR的TMM：另一种高效的标准化方法

标准化后，统计模型（如负二项分布模型）被用于估计每个基因的表达差异及其不确定性。

2. 双阈值筛选：p值与log2FC

差异基因筛选通常依据两个核心指标：

● 统计显著性（p值/adjusted p值）：衡量差异“是否可靠”

● 效应大小（log2 fold change, log2FC）：衡量差异“有多大”

经典误区：只看p值或只看log2FC都是不完整的。

● 仅看p值：可能选出统计显著但变化微小（如log2FC=0.1）的基因，其生物学意义存疑

● 仅看log2FC：可能选出变化大但变异也大（p值不显著）的基因，结果不可重复

3. p值校正：应对多重检验难题

当同时检验2万个基因时，使用原始p值<0.05的标准，即使没有任何真实差异，也预期会出现1000个假阳性基因。

因此必须进行多重检验校正：

● Benjamini-Hochberg法（FDR）：最常用，控制假发现率

● Bonferroni校正：最严格，但可能过于保守

实用策略：采用双重阈值筛选，如FDR<0.05且|log2FC|>1。这平衡了统计严格性与生物学相关性。

第三步：生物学筛选：统计筛选出的基因列表只是“候选名单”，真正的差异基因需要生物学意义的加持。

1. 表达水平过滤：极低表达的基因（如TPM<1）即使统计显著，也难有生物学影响，且技术噪音大。建议过滤掉在所有样本中均低表达的基因，提高结果可靠性。

2. 变化方向一致性：在重复样本间，差异方向应一致。如果一个基因在处理组中在2个重复上调、1个下调，即使平均log2FC显著，也需谨慎对待。

3. 生物学一致性检查

● 已知标记基因：你的差异基因中是否包含该生物学过程已知的标记基因？这是重要的内部验证。

● 功能富集分析：使用GO、KEGG等工具分析差异基因的功能倾向性。真实的生物学效应通常表现为相关功能基因集的协同变化。

● 蛋白互作网络分析：差异基因是否形成紧密的互作网络？网络中的hub基因往往更具重要性。

应注意的是，避免以下问题：

陷阱1：过度依赖单一阈值，不应机械地使用FDR<0.05，不考虑实验具体情况

● 解决方案：尝试不同阈值组合，观察结果稳健性；使用松紧阈值分别进行下游分析，观察结论是否一致

陷阱2：忽视样本质量，应剔除个别质量差的样本，避免使其扭曲整体结果

● 解决方案：严格质控，使用PCA等工具检测离群样本

陷阱3：混淆技术重复与生物学重复

● 解决方案：生物学重复必须来自独立的生物个体或培养批次

陷阱4：忽略批次效应

● 解决方案：随机化实验顺序；使用ComBat或RUVseq等方法校正

差异基因筛选不是寻找“正确答案”的机械过程，而是在统计严谨性与生物学洞察力之间寻找最佳平衡点的探索之旅。面对复杂的转录组数据，保持批判性思维至关重要：那些最显著的基因是否真的是驱动表型的关键？优秀的差异基因分析，不仅能提供一份可靠的基因列表，更能讲述一个连贯的生物学故事。