跳到主要内容

组学数据分析入门

欢迎来到 BioF3 组学数据分析教程。如果你是第一次接触生物信息学，或者想系统学习组学数据分析，这篇文章会帮你建立一个清晰的认知框架。

从一个问题开始​

假设你手上有一份单细胞 RNA 测序数据，包含 10000 个细胞，每个细胞测到了 20000 个基因的表达量。这是一个 10000 × 20000 的矩阵，200 万个数据点。

你想回答的问题可能是：

  • 这些细胞分成几种类型？
  • 不同细胞类型的标志基因是什么？
  • 细胞之间如何相互作用？
  • 某个基因在哪些细胞中高表达？

这就是组学数据分析要解决的核心问题：从海量数据中提取生物学意义。

组学数据的特点​

数据量大​

一次单细胞实验可能产生几十 GB 的原始数据。传统的 Excel 打开都会卡死，必须用编程的方式处理。

维度高​

基因组有 3 万个基因，转录组可能检测 2 万个基因，蛋白质组有上万个蛋白。这种高维数据需要降维才能可视化和理解。

噪音多​

生物学实验本身就有变异，测序技术也有误差。数据中混杂着真实的生物学信号和技术噪音，需要统计方法来区分。

稀疏性​

单细胞数据中，很多基因在某个细胞中表达量为 0。这种稀疏性是技术限制，也是生物学真实情况的反映。

分析流程概览​

组学数据分析通常包含以下几个步骤：

1. 数据获取​

从测序仪下机的是原始数据（FASTQ 格式），包含每条 reads 的序列和质量值。这一步需要了解测序原理和数据格式。

2. 质量控制​

检查测序质量，过滤低质量数据。这一步决定了后续分析的可靠性。常用工具有 FastQC、MultiQC。

3. 序列比对​

将 reads 比对到参考基因组，确定每条 reads 来自哪个基因。单细胞数据常用 Cell Ranger、STARsolo 等工具。

4. 表达矩阵构建​

统计每个基因在每个细胞中的表达量，得到基因表达矩阵。这是后续分析的起点。

5. 数据标准化​

不同细胞的测序深度不同，需要标准化才能比较。常用方法有 CPM、TPM、SCTransform 等。

6. 降维和聚类​

用 PCA、UMAP、t-SNE 等方法将高维数据投影到 2D 或 3D 空间，然后用聚类算法识别细胞类型。

7. 差异分析​

比较不同组之间的基因表达差异，找到标志基因或差异表达基因。

8. 功能注释​

对差异基因进行 GO、KEGG 等功能富集分析，理解生物学意义。

9. 可视化​

用热图、小提琴图、散点图等方式展示结果。好的可视化能让复杂的数据一目了然。

需要掌握的技能​

编程能力​

R 语言是单细胞分析的主流工具，Seurat、Scanpy 等软件包都有 R 版本。R 的优势在于统计分析和可视化。

Python 在数据处理和机器学习方面更灵活，Scanpy、AnnData 是 Python 生态的代表。

Linux 命令行用于服务器操作和流程管理。很多生物信息学工具只有命令行版本。

你不需要成为编程专家，但要能看懂代码、修改参数、调试错误。

AI 辅助能力​

AI 编程工具可以帮助你解释代码、生成脚本草稿、定位报错、整理项目文档。但在组学分析中，AI 不能替你判断实验设计、统计方法和生物学结论。

建议把 AI 当作“助教”和“开发助手”：让它提高效率，但每一步关键结果都要自己检查。

统计学基础​

组学数据分析本质上是统计问题。你需要理解：

  • 什么是 p 值和 FDR（错误发现率）
  • 为什么要做多重检验校正
  • 如何选择合适的统计检验方法
  • 什么是过拟合和欠拟合

生物学背景​

数据分析的目的是回答生物学问题。你需要知道：

  • 基因表达的调控机制
  • 细胞类型的标志基因
  • 信号通路和代谢通路
  • 疾病相关的生物学过程

不需要成为生物学专家，但要能读懂文献，理解实验设计。

常用工具和平台​

单细胞分析​

  • Seurat（R）：最流行的单细胞分析工具，功能全面
  • Scanpy（Python）：Python 版的 Seurat，速度更快
  • Cell Ranger：10x Genomics 官方的数据处理流程
  • Monocle：轨迹推断和拟时序分析
  • CELLxGENE / HCA / GEO / SRA：公开数据检索、浏览和下载

数据可视化​

  • ggplot2（R）：强大的绘图系统，语法优雅
  • matplotlib/seaborn（Python）：Python 的绘图库
  • Plotly：交互式可视化
  • IGV：基因组浏览器

计算环境​

  • Jupyter Notebook：交互式编程环境，适合探索性分析
  • RStudio：R 语言的集成开发环境
  • Docker：容器化技术，保证环境一致性
  • Conda：包管理工具，简化软件安装
  • Codex / Claude Code / opencode / Kiro：AI 辅助编程和项目维护工具

学习路径建议​

第一阶段：打基础（2-4 周）​

先学会一门编程语言（R 或 Python），能写简单的脚本，处理数据文件。同时了解 Linux 基本命令。

推荐从本教程的编程基础开始。

同时可以学习AI 辅助编程与智能体工具，掌握如何让 AI 帮你解释代码、排查错误和整理分析流程。

这一阶段的目标不是“学完编程”，而是能完成一个最小可复现的小任务：

  • 读取一张表
  • 做一次筛选
  • 画一张图
  • 保存结果
  • 记录版本和参数

第二阶段：跑通流程（4-8 周）​

跟着教程完整跑一遍单细胞分析流程，从原始数据到最终结果。不要求理解每个参数，先把流程跑通。

推荐学习单细胞实践模块 01 到模块 04。

第三阶段：深入理解（2-3 个月）​

回过头来理解每一步的原理，尝试调整参数，看看结果如何变化。阅读相关文献和软件文档。

推荐学习单细胞实践模块 05 到模块 12。

第四阶段：独立分析（持续）​

用自己的数据或公开数据集做完整分析，遇到问题查文档、搜索、提问。逐渐形成自己的分析思路。

常见误区​

误区 1：工具越新越好​

新工具可能有新功能，但也可能不稳定。成熟的工具（如 Seurat、DESeq2）经过大量验证，更可靠。

误区 2：参数越复杂越好​

很多默认参数已经经过优化。盲目调参可能引入偏差。理解参数含义比调参更重要。

误区 3：p 值越小越好​

p < 0.05 只是一个阈值，不代表生物学意义。要结合 fold change、生物学背景综合判断。

误区 4：可视化越炫越好​

清晰准确比炫酷重要。简单的散点图、柱状图往往比复杂的 3D 图更有效。

实用建议​

记录分析过程​

用 Jupyter Notebook 或 R Markdown 记录每一步操作和参数。几个月后你会忘记当时为什么这么做。

版本控制​

用 Git 管理代码和分析脚本。这样可以追溯历史版本，也方便团队协作。

数据备份​

原始数据和中间结果要备份。硬盘损坏、误删除的情况时有发生。

多看文献​

看看别人怎么分析类似的数据，学习他们的思路和方法。Nature、Cell、Science 上的单细胞文章都值得精读。

参与社区​

加入 Biostars、SEQanswers、生信技能树等社区，提问和回答问题。教别人是最好的学习方式。

下一步​

现在你对组学数据分析有了整体认识，可以开始学习具体的技能了：

参考资源​

这篇文章只是一个起点。组学数据分析是一个需要持续学习的领域，新方法、新工具层出不穷。保持好奇心，多动手实践，你会逐渐建立起自己的分析体系。