修正差异基因中上下调基因数目失衡

1. 实验设计

固定实验组（EBVa）样本量：始终使用27例EBVaGC样本。
逐步增加对照组（EBVn）样本量：从50例逐步增加到250例（每次增加50例），每次随机抽取对应数量的EBVn样本，重复进行差异表达分析。
观察指标：记录不同样本量下DEGs的总数量及上下调比例。

2. 验证逻辑

假设1：若样本量差异导致不平衡
- 当EBVn样本量增加时，统计功效（检测差异基因的能力）会增强，可能检测到更多DEGs，且上下调比例可能趋于均衡。
- 预期结果：上调基因数量随EBVn样本量增加而显著增加，上下调比例逐渐接近。
假设2：若生物学本质导致不平衡
- 无论EBVn样本量如何变化，DEGs的上下调比例保持稳定（下调显著多于上调）。
- 预期结果：即使EBVn样本量增加，DEGs数量及上下调比例仍无明显变化。

3. 代码设计

# sample distribution
index <- seq(28,277)
for (test in seq(1,5)){
  # EBVn 50 50 .. 50 50
  # 选小一点，这样可以把样本异质性凸显出来
  # print(sample_size)
  sample_size <- 50
  cur_mat <- EBV_dat_num[,c(seq(1,27),sample(index, sample_size))]
  degs_analysis_draw(cur_mat, d)
  # break
}
# 散点图
num_degs <- data.frame(
  down = c(2939,2932,2996,3609,3396),
  up = c(1199,1197,1217,1329,1234)
)
# basic scatterplot
scatter_plot <- ggplot(num_degs, aes(x=down, y=up)) + 
  geom_point()
scatter_plot

` # sample distribution `

index <- seq(28,277) for (test in seq(1,5)){ # EBVn 50 50 .. 50 50 # 选小一点，这样可以把样本异质性凸显出来 # print(sample_size) sample_size <- 50 cur_mat <- EBV_dat_num[,c(seq(1,27),sample(index, sample_size))] degs_analysis_draw(cur_mat, d) # break } # 散点图 num_degs <- data.frame( down = c(2939,2932,2996,3609,3396), up = c(1199,1197,1217,1329,1234) ) # basic scatterplot scatter_plot <- ggplot(num_degs, aes(x=down, y=up)) + geom_point() scatter_plot

4. 实际结果

通过抽样测试发现：

DEGs总数稳定：

EBVn样本量	下调基因数	上调基因数	总DEGs数
50	3823	1357	5180
100	4005	1411	5416
150	4400	1355	5755
200	4320	1387	5707
250	4416	1340	5756

上下调比例始终失衡：
- 下调基因占比稳定在 75%~80%，上调基因占比 20%~25%。
- 即使EBVn样本量从50增至250，上调基因数量未显著增加，反而波动较小。

5. 关键结论

样本量差异不主导结果：
- 若技术因素（如样本量不足）是主因，EBVn样本量增加应显著提高检测能力，使更多潜在上调基因被识别，但实际结果未支持这一预期。
生物学机制更可能解释失衡：
- 下调基因占优的现象在不同样本量下均稳定存在，提示EBV感染可能通过表观沉默（如DNA甲基化）或病毒-宿主互作导致广泛基因抑制。

6. 补充验证

个体异质性测试：固定EBVn样本量为50，多次随机抽取不同样本组合，发现上下调基因数量波动范围小（如下调基因数2900~3600），证明结果受个体差异影响有限。
火山图一致性：不同样本量下，火山图的分布模式高度相似（大量基因集中于左侧“下调区”）。

7. 总结

在差异表达分析中，需通过抽样、批次校正等方法排除技术干扰。
当技术因素被排除后，应优先从分子机制（如病毒效应、免疫编辑）中寻找答案。

2. 高表达基因对差异分析的影响

1. 异常值检测

箱线图法（IQR）：若基因表达量超过Q3 + 1.5×IQR或低于Q1 - 1.5×IQR，可判定为异常值。
Z-score法：计算基因表达量的Z-score（标准化值），超过±3的视为异常值。

2. 实验设计

假设1：实验批次导致的高表达
- 使用Combat来对基因进行批次效应的去除
假设2：Keep genes的高表达
- 使用 DESeq2 或 EdgeR 时，通过lfcShrink函数收缩log2倍数变化值，减少高表达基因对差异倍数的影响
- 采用 VST（方差稳定化变换） 或 rlog（正则化对数变换） 替代原始计数，降低高表达基因的方差权重

PREVIOUSRNA-seq质控