外觀
差異表現分析:edgeR、DESeq2、limma-voom (Differential Expression)
三個套件都能做嚴謹的 gene-level 差異表現 (DE) 分析,差別在標準化、變異建模與檢定方式。三者共同的前提:輸入是 raw counts(或 tximport 的估計 counts),不是 TPM / FPKM;樣本資訊與 count 欄位順序一致;設計矩陣反映真正要比較的條件。
本章的程式碼以 R 4.6.1 / edgeR 4.10、DESeq2 1.52、limma 3.68 在本系列的模擬資料(data/)上實跑;結果不代表真實生物學發現。完整腳本在 scripts/。
r
library(readr)
counts_tbl <- read_csv("data/simulated_gene_counts.csv", show_col_types = FALSE)
metadata <- read_csv("data/sample_metadata.csv", show_col_types = FALSE)
counts <- as.matrix(counts_tbl[, metadata$sample_id]) # 依 metadata 順序取欄
rownames(counts) <- counts_tbl$gene_id
metadata$group <- relevel(factor(metadata$group), ref = "control") # 參考組決定 logFC 方向edgeR
負二項 GLM + TMM 標準化 + 經驗貝氏收縮 dispersion;建議用 quasi-likelihood (QL) F 檢定,對小樣本的型一錯誤控制較好。
r
library(edgeR)
design <- model.matrix(~ group, data = metadata)
y <- DGEList(counts = counts, group = metadata$group) # counts、library size、group
y <- y[filterByExpr(y, design), , keep.lib.sizes = FALSE] # 依設計過濾低表現基因
y <- normLibSizes(y, method = "TMM") # TMM 因子(edgeR < 4.0:calcNormFactors)
y <- estimateDisp(y, design) # common / trended / tagwise dispersion
fit <- glmQLFit(y, design) # QL 負二項 GLM
qlf <- glmQLFTest(fit, coef = "grouptreated") # treated vs control
res_edger <- topTags(qlf, n = Inf)$table # logFC、logCPM、F、PValue、FDR
plotBCV(y); plotQLDisp(fit) # dispersion 診斷DESeq2
負二項 GLM + median-of-ratios size factor + dispersion 趨勢收縮;預設 Wald 檢定,另有 LRT 與 log fold change 收縮。
r
library(DESeq2)
dds <- DESeqDataSetFromMatrix(round(counts), colData = metadata, design = ~ group)
dds <- dds[rowSums(counts(dds) >= 10) >= 3, ] # 預過濾(主要為了速度)
dds <- DESeq(dds) # size factor → dispersion → GLM → Wald
sizeFactors(dds) # 每個樣本的 size factor
counts(dds, normalized = TRUE) # 標準化 counts:只用於展示,不拿去另做 t 檢定
plotDispEsts(dds) # dispersion 擬合是否合理
resultsNames(dds) # "Intercept" "group_treated_vs_control"
res <- results(dds, contrast = c("group", "treated", "control"), alpha = 0.05)
summary(res)
res_shrunk <- lfcShrink(dds, coef = "group_treated_vs_control", type = "apeglm")
plotMA(res_shrunk, ylim = c(-4, 4))| 步驟 | 為什麼 |
|---|---|
| median-of-ratios size factor | 以所有基因的幾何平均建「虛擬參考樣本」,取各樣本相對比值的中位數;同時校正定序深度與組成偏差 |
results(alpha = 0.05) | 依目標 FDR 自動做獨立過濾 (independent filtering),低表現基因的 padj 會是 NA |
lfcShrink()(apeglm) | 低 count 基因的 LFC 估計很不穩,收縮後更適合排序與作圖;顯著性仍看 results() 的 padj |
vst() | 探索性分析用,見 06:VST 後再看樣本結構 |
結果欄位:baseMean(平均標準化 counts)、log2FoldChange、lfcSE、stat、pvalue、padj。
limma-voom
把 counts 轉成 log-CPM,由平均–變異趨勢為每個觀測值算 precision weight,再用 limma 的加權線性模型與經驗貝氏。設計彈性最大(批次、配對、複雜對比、樣本品質權重)。
r
library(limma)
design <- model.matrix(~ 0 + group, data = metadata) # 無截距:每組一欄
colnames(design) <- levels(metadata$group)
y <- DGEList(counts)
y <- y[filterByExpr(y, design), , keep.lib.sizes = FALSE]
y <- normLibSizes(y)
v <- voom(y, design, plot = TRUE) # 平均–變異趨勢 → precision weights
fit <- lmFit(v, design)
fit2 <- eBayes(contrasts.fit(fit, makeContrasts(treated - control, levels = design)))
res_limma <- topTable(fit2, number = Inf, sort.by = "P") # logFC、AveExpr、t、P.Value、adj.P.Val重複量測或同一病人多樣本:duplicateCorrelation() 或 dream()(variancePartition),概念同 混合效應模型;樣本品質不一時用 voomWithQualityWeights()。
方法比較
| edgeR | DESeq2 | limma-voom | |
|---|---|---|---|
| 標準化 | TMM / TMMwsp | median-of-ratios | TMM + voom 權重 |
| 變異建模 | NB dispersion + 經驗貝氏 | NB dispersion 趨勢 + 收縮 | 平均–變異 precision weight |
| 檢定 | QL F、LRT、exact | Wald、LRT | moderated t / F |
| 強項 | 小樣本、QL 推論穩健 | 流程完整、LFC 收縮、診斷圖多 | 複雜設計、速度、與 limma 生態整合 |
| 結果欄位 | logFC、logCPM、PValue、FDR | baseMean、log2FoldChange、pvalue、padj | logFC、AveExpr、P.Value、adj.P.Val |
| 樣本數很少(n = 2–3) | 適合 | 適合 | 需要足夠樣本估平均–變異趨勢 |
在本系列模擬資料上(約 1,150 個通過過濾的基因),FDR < 0.05 的基因數為 edgeR 45、DESeq2 57、limma-voom 25。三者的顯著清單不必完全相同,差異來自過濾、標準化、變異建模、對比與多重檢定;排名靠前的基因通常高度重疊(本例 edgeR 與 limma-voom 的前 20 名有 18 個相同),邊界上的基因才有出入。
| 統計概念 | 對應筆記 |
|---|---|
| NB-GLM、log link、size factor 當 offset | GLM 計數模型:RNA-seq 差異表現 |
padj / FDR / adj.P.Val(BH) | 多重檢定 |
| 批次、配對、重複量測 | 混合效應模型、干擾與偏誤 |
常見錯誤
| 錯誤 | 後果 | 修正 |
|---|---|---|
| metadata 與 count 欄位順序不一致 | 組別標籤套到錯的樣本,程式不會報錯 | stopifnot(identical(colnames(counts), metadata$sample_id)) |
| 用 TPM / FPKM 當輸入 | 模型假設錯誤 | raw counts 或 tximport 匯入 |
| 拿標準化 counts 另外跑 t 檢定 | 忽略計數資料的平均–變異關係 | 交給 DE 套件的模型 |
| 參考組沒設定 | logFC 方向與預期相反 | relevel();結果檢查 resultsNames() |
| 用未收縮的 LFC 排序 | 低表現基因的極端 LFC 排在前面 | lfcShrink() 後排序 |
| 只看 DE,沒先看 PCA / 相關熱圖 | 批次或樣本錯置被當成生物訊號 | 先做 06 的 EDA |
| 組別與批次完全重疊 | 設計矩陣不滿秩,無法分離 | 只能靠實驗設計解決 |
對比方向、交互作用、多重檢定與結果視覺化見 08;microarray 或其他連續型資料的 limma 用法見 limma 差異表現。