Skip to content

分析流程 › RNA-seq › 07 差異表現

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 ​

edgeRDESeq2limma-voom
標準化TMM / TMMwspmedian-of-ratiosTMM + 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、exactWald、LRTmoderated 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、FDRbaseMean、log2FoldChange、pvalue、padjlogFC、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 offsetGLM 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。