bulk RNA-seq 实践教程
bulk RNA-seq 把一份组织或一群细胞打成混合样本测序，得到的是每个基因在样本里的平均表达量。多数实验室的转录组项目仍然围绕它展开：几十个样本、两三个处理组、一篇文章的主线分析。
01 从数据到项目结构
这一章的目标是让读者在真正动手做 bulk RNA-seq 之前，先把"拿到什么输入、打算得到什么输出"想清楚。很多项目一开始跑得很顺，到了复盘阶段才发现样本表有问题、目录结构乱、中间文件丢了。bulk RNA-seq 的数据量比单细胞小得多，但分析链条更长，更值得一开始就把项目结构定下来。
module02
速答
module03
速答
04 火山图、热图与富集可视化
前三章把数据、差异和富集跑完，这一章只做一件事：把结果变成能直接用于论文和汇报的图。每张图都配一个最常见的用途，源码一起放出来。
05 多时间点与 LRT 检验
前几章做的都是"两组比较"：对照 vs 处理。真实项目里经常遇到更复杂的设计 —— 一条时间曲线，剂量梯度，多个处理条件 —— 这时候两两 Wald 检验就不够了。DESeq2 给出了两个重要工具：
06 批次效应：ComBat / SVA / RUV
批次效应是 RNA-seq 里最容易让人上当的误差来源之一：同一天测完的样本可能更像；同一个技师做的样本可能更像；同一个 lane 出来的样本可能更像。真实的生物学差异如果被这种技术变量遮住，得到的"差异基因"就全是噪声。
07 多工具对比：DESeq2 / edgeR / limma-voom
bulk RNA-seq 差异分析有三个"标配"工具 —— DESeq2、edgeR、limma-voom。它们建模思路不同，但在绝大多数真实数据上结果高度一致。本章做一次 head-to-head 对比：同一份 airway 数据、同一条 design、同一个对比，跑三种工具，看结果是不是真的如传说那样一致。
08 可复现分析报告 与结果交付
分析做完不是终点，能被别人（包括 6 个月后的自己）重新跑一遍才是。这一章讨论 bulk RNA-seq 项目的收尾环节：怎么组织代码和输出、怎么写分析报告、怎么交付给合作者。没有什么"最佳实践"一定对，但有一些经验能让你后续工作顺得多。