数据下载和准备

-作用和功能：从公共数据库（如 TCGA、GEO 等）获取原始的基因表达矩阵、临床随访数据及样本注释信息。这是整个生信分析的源头，目的是构建包含实验组与对照组（或肿瘤组与正常组）的原始数据结构。

-结果解读：检查样本的完整性、基因数量及行列匹配度，确保数据格式无误，为后续的量化和差异分析提供干净的原始输入。

数据标准化

-作用和功能：由于测序深度、批次效应或样本间技术误差的存在，原始表达量（如 Read Counts）无法直接比较。此步骤通过标准化或归一化算法（如 TPM、FPKM、VST 或 DESeq2 内置归一化），消除系统误差，使样本间的表达水平具备可比性。

-结果解读：标准化后的表达矩阵中，不同样本的表达值分布趋于一致（如箱线图呈现齐平状态），说明批次效应得到有效控制，可以进行后续的差异分析。

DESeq2 进行差异表达分析 (DEG)

-作用和功能：利用统计学模型（基于负二项分布的 DESeq2 算法）对两组样本的基因表达量进行显著性检验，计算出每个基因的表达变化倍数（$\log_2\text{Fold Change}$）和显著性 $p$ 值（经多重假设检验校正后得到 $\text{padj}$）。

-结果解读：筛选出在两组之间存在统计学显著差异的基因。通常以 $\text{padj} < 0.05$ 且 $\vert{}\log_2\text{Fold Change}\vert{} > 1$ 为标准，划分为显著上调基因（Up-regulated）和显著下调基因（Down-regulated）。

绘制第一张核心图表——火山图 (Volcano Plot)

-作用和功能：将差异表达分析的结果通过二维散点图进行可视化。横坐标通常为 $\log_2\text{Fold Change}$（代表表达变化幅度），纵坐标为 $-\log_{10}(\text{padj})$（代表统计学显著性）。

-结果解读：图表两侧呈“火山喷发”状的散点代表核心差异基因。位于右上方的是显著上调基因，左上方的是显著下调基因，中间未达到阈值的点则为无显著差异的背景基因。

绘制表达热图 (Heatmap)

-作用和功能：通过聚类算法和颜色渐变矩阵，直观展示多样本间特定基因（通常是差异最显著的前几十个基因）的表达模式。

-结果解读：热图中的每一行代表一个基因，每一列代表一个样本。通过颜色深浅（如红高蓝低）可以看出样本在疾病组与对照组之间的聚类是否良好，以及核心基因在不同样本中的表达趋势是否具有高度的一致性。

基因标准名称转换

-作用和功能：由于基因ID存在多种形式（如 Ensembl ID、Entrez ID、Symbol 等），不同数据库之间的命名规范不统一，此步骤利用注释包将基因 ID 统一转换为标准的基因符号（Gene Symbol）。

-结果解读：确保后续的富集分析、数据库交叉验证及网络构建能够准确识别基因，避免因 ID 不匹配导致数据丢失。

GEO 独立队列交叉验证准备

-作用和功能：为了避免单一数据库（如 TCGA）的过拟合或假阳性结果，需要从 GEO 数据库下载独立的外部门诊或临床队列数据集，并进行数据清洗和预处理，作为验证集。

-结果解读：获得一个结构规范、与训练集具有可比性的独立临床表达矩阵，用于检验前期筛选出的差异基因是否具有普遍适用性。

TCGA 结果进行交叉验证 (取交集)

-作用和功能：将本地分析的候选差异基因与外部验证队列（如 GEO 数据集）或多维度数据进行比对，取交集（Venn Diagram）。

-结果解读：交集中的基因代表在不同队列、不同批次样本中均稳定表达异常的基因，极大地提高了后续研究的可靠性和生物学真实性。

常用富集分析（GO / KEGG）

-作用和功能：对筛选出的核心差异基因进行功能注释与通路富集分析。GO（Gene Ontology）分析其在生物过程、细胞组分和分子功能上的分布；KEGG（Kyoto Encyclopedia of Genes and Genomes）分析其参与的生物化学代谢通路或信号传导途径。

-结果解读：明确这批基因主要富集在哪些核心病理机制或分子通路上（例如肿瘤免疫逃逸通路、细胞周期调控等），从而从宏观上解释疾病发生发展的分子机制。

生存与预后分析

-作用和功能：结合样品的临床生存随访数据（如总生存期 OS、无进展生存期 PFS），利用 Kaplan-Meier 生存曲线和 Cox 比例风险回归模型，评估特定基因的高低表达对患者预后生存的影响。

-结果解读：若 $p < 0.05$，说明该基因或基因集与患者的生存显著相关（如高表达预示生存期缩短），可进一步评估其作为临床预后生物标志物（Biomarker）的潜力。

PPI 网络与核心基因筛选

-作用和功能：将目标基因导入 STRING 数据库构建蛋白质相互作用（Protein-Protein Interaction, PPI）网络，并利用 Cytoscape 软件及其拓扑算法（如 MCC、Degree 等）计算网络中的核心节点。

-结果解读：识别出在整个分子互作网络中处于枢纽地位的 Hub 基因（核心基因），这些基因往往是驱动特定生物学过程的关键调控因子。

扫码关注官方微信公众号