技术博客

RNA-seq 差异表达分析完整指南（2025版）

RNA-seq（转录组测序）是目前最常用的基因表达分析技术。本文将从原始数据开始，介绍完整的差异表达分析流程。

1. 数据质控

使用 FastQC 检查测序质量，Trim Galore 去除接头和低质量碱基：

fastqc raw_data/*.fastq.gz -o qc_results/
trim_galore --paired -q 20 --length 36 sample_R1.fq.gz sample_R2.fq.gz

2. 比对与定量

推荐使用 HISAT2 比对 + featureCounts 定量：

hisat2 -x genome_index -1 sample_R1.fq.gz -2 sample_R2.fq.gz -S sample.sam
featureCounts -a genes.gtf -o counts.txt sample.bam

3. 差异表达分析

使用 R 包 DESeq2 进行差异分析：

library(DESeq2)
dds <- DESeqDataSetFromMatrix(countData=counts, colData=coldata, design=~condition)
dds <- DESeq(dds)
res <- results(dds, contrast=c("condition","treatment","control"))
# 筛选显著差异基因
sig <- subset(res, padj < 0.05 & abs(log2FoldChange) > 1)

4. 富集分析

使用 clusterProfiler 进行 GO 和 KEGG 富集分析：

library(clusterProfiler)
ego <- enrichGO(gene=sig_genes, OrgDb=org.Hs.eg.db, ont="BP")
ekk <- enrichKEGG(gene=sig_genes, organism="hsa")

完整的 RNA-seq 分析还包括 GSEA、WGCNA、免疫浸润等高级分析。如果您的项目需要专业的转录组分析服务，欢迎联系我们。

单细胞 RNA-seq 分析入门：从 10X 数据到细胞注释

单细胞 RNA 测序（scRNA-seq）能够在单个细胞水平解析基因表达异质性。本文以 10X Genomics 数据为例，介绍 Seurat 分析流程。

1. 数据读取与质控

library(Seurat)
data <- Read10X(data.dir = "filtered_feature_bc_matrix/")
obj <- CreateSeuratObject(counts=data, min.cells=3, min.features=200)
obj[["percent.mt"]] <- PercentageFeatureSet(obj, pattern="^MT-")
obj <- subset(obj, nFeature_RNA > 200 & nFeature_RNA < 5000 & percent.mt < 15)

2. 标准化与降维

obj <- NormalizeData(obj) %>% FindVariableFeatures() %>% ScaleData() %>% RunPCA()
ElbowPlot(obj)  # 确定PC数量
obj <- FindNeighbors(obj, dims=1:20) %>% FindClusters(resolution=0.5) %>% RunUMAP(dims=1:20)

3. 细胞类型注释

传统方法依赖 marker gene，但现在有更智能的选择：

• scBERT：基于 BERT 架构的单细胞预训练模型，支持 zero-shot 和 fine-tuning
• scGPT：生成式预训练模型，适用于细胞注释、基因扰动预测等多种下游任务
• Geneformer：基于 Transformer 的基因网络模型

这些大模型经过大规模单细胞数据预训练，在细胞类型注释任务上通常优于传统 marker gene 方法。

16S rRNA 微生物组分析流程详解

16S rRNA 基因测序是研究微生物群落组成的经典方法。本文介绍基于 QIIME2 的标准分析流程。

核心分析步骤

• 数据导入与质控：QIIME2 import + DADA2 去噪
• 物种注释：基于 SILVA/Greengenes 数据库的分类学注释
• 多样性分析：Alpha 多样性（Shannon、Simpson）和 Beta 多样性（PCoA、NMDS）
• 差异分析：LEfSe 筛选组间差异物种
• 功能预测：PICRUSt2 预测微生物群落功能潜力

# QIIME2 核心命令
qiime dada2 denoise-paired --i-demultiplexed-seqs paired-end.qza \
  --p-trunc-len-f 250 --p-trunc-len-r 200 --o-table table.qza
qiime diversity core-metrics-phylogenetic --i-table table.qza \
  --i-phylogeny rooted-tree.qza --p-sampling-depth 10000

AI 大模型在生物信息学中的应用前景

人工智能正在深刻改变生物信息学的研究范式。从蛋白质结构预测到单细胞分析，大模型展现出了巨大的潜力。

单细胞大模型

scGPT 和 scBERT 等模型通过在数千万个细胞上预训练，学习了基因表达的通用模式。通过 fine-tuning，这些模型可以：

• 自动注释细胞类型（准确率超过传统方法）
• 预测基因扰动效果
• 推断基因调控网络
• 跨数据集的批次效应校正

蛋白质大模型

ESM-2 和 AlphaFold 在蛋白质结构预测和功能注释方面取得了突破性进展。结合 LoRA 等高效微调技术，可以针对特定任务进行定制化训练。

生物医学 NLP

基于 Transformer 的文本挖掘模型可以从海量文献中自动提取基因-疾病关联、药物-靶点相互作用等信息。

临床数据生存分析实战：从 KM 曲线到 Cox 回归

生存分析是临床研究中最常用的统计方法之一。本文介绍 Kaplan-Meier 曲线、Cox 比例风险模型和 LASSO 变量筛选的 R 实现。

library(survival)
library(survminer)
# KM 曲线
fit <- survfit(Surv(time, status) ~ group, data=clinical)
ggsurvplot(fit, pval=TRUE, risk.table=TRUE)

# Cox 回归
cox <- coxph(Surv(time, status) ~ age + stage + gene_score, data=clinical)
summary(cox)

# LASSO 筛选预后基因
library(glmnet)
cv.fit <- cv.glmnet(x, y, family="cox", alpha=1)
coef(cv.fit, s="lambda.min")