PyDESeq2 差异表达分析

要解决什么问题

Bulk RNA-seq 的差异表达分析通常依赖 R 里的 DESeq2。若整条管线都在 Python（pandas、AnnData、下游机器学习或可视化）里，在 R 与 Python 之间来回导出计数矩阵和元数据，既容易搞错样本名对齐，也难把分析嵌进自动化流程。

PyDESeq2 是 DESeq2 的 Python 实现，本技能把从数据准备到结果解释的工作流写清楚，便于在 Python 环境里完成与经典 DESeq2 思路一致的分析。

技能如何组织工作流

核心步骤与 DESeq2 一致，并强调与 pandas / AnnData 的衔接：

• 数据准备：计数矩阵为 samples × genes 的非负整数；元数据为样本 × 实验因子。常见坑是基因×样本矩阵需 .T 转置，以及低表达基因与缺失元数据样本的过滤。
• 设计公式：Wilkinson 符号（R 风格），单因素如 ~ condition，多因素如 ~ batch + condition；调整变量应放在关注变量之前。
• 拟合：DeseqDataSet 与 deseq2() 完成大小因子、离散度估计与收缩、log2 倍数变化及 Cook 距离等步骤。
• 检验与导出：Wald 检验；对比格式为 [变量, 检验水平, 参考水平]。结果含 log2FoldChange、pvalue、padj（Benjamini–Hochberg）。可选 apeGLM 收缩仅影响 LFC 展示与排序，不改变 p 值。

技能还指向 scripts/run_deseq2_analysis.py，用于标准 CLI 批量分析；复杂 API 与工作流细节见 references/api_reference.md、references/workflow_guide.md。

适用边界与注意点

• 面向 bulk RNA-seq 计数，不是单细胞专用流程。
• 设计矩阵满秩：批次与处理完全混淆时，需改设计或加交互项，否则拟合失败。
• 显著性以 padj < 0.05 为准；可视化可用收缩后的 LFC，报告显著性仍用未收缩检验结果。
• 环境要求 Python 3.10–3.11 及文档列出的科学计算依赖；可视化需额外安装 matplotlib/seaborn。