1. 别再盯着一个数字看了：RNA-seq表达量指标的选择困境

刚接触RNA-seq数据分析的朋友，经常会拿着一个表格问我：“老师，我这个基因表达量高不高？你看这个RPKM值有1000多，是不是很高了？” 或者“我这个差异分析结果里，log2FC很大，但为什么原始Read count看起来没多少？” 每次听到这些问题，我都仿佛看到了当年那个同样困惑的自己。RNA-seq数据里，表达量从来就不是一个“值”能说清楚的，它更像是一把多功能的尺子，测身高、量腰围、算步长，用的刻度都不一样。你拿量腰围的尺子去测身高，结果能准吗？

简单来说，RNA-seq分析里没有哪个单一的“黄金数值”能直接、绝对地告诉你基因表达量的高低。我们常说的Read count、CPM、RPKM/FPKM、TPM，甚至DESeq2标准化后的值，它们各有各的“脾气”和适用场景。选错了指标，轻则让你的图表看起来很奇怪，重则可能得出完全错误的生物学结论。我见过不少项目，前期实验设计、测序都做得很好，最后却在选择表达量指标这一步栽了跟头，导致后续的聚类、通路分析全盘跑偏，非常可惜。

这篇文章，我就想和你像朋友聊天一样，掰开揉碎地讲讲这些常见的表达量指标。我们不只讲公式（那太枯燥了），更要讲清楚每个指标到底在衡量什么、它背后的假设是什么、以及在什么情况下用它是合理的，什么情况下用它会“踩坑”。我的目标是，看完之后，你再拿到一个表达矩阵，能清楚地知道面对“样本间比较”、“基因间比较”还是“给下游软件喂数据”这些不同的任务时，该掏出哪把“尺子”。

2. 基石与起点：理解原始Read Count

2.1 Read Count到底是什么？

让我们从最根本的开始。Read Count，中文常叫“原始计数”或“读数”，它的定义非常直白：在测序数据比对到参考基因组或转录组后，唯一比对到某个基因（或转录本）上的测序片段（Reads或Fragments）的数量。

你可以把它想象成一次“投票”。实验室提取了细胞里所有的RNA，反转录成cDNA，打碎、测序，产生数百万甚至数十亿条短序列（Reads）。我们的分析就像一场大型的“认亲大会”，每条Read都努力寻找自己来自哪个基因。最后，为基因A“站队”的Read有多少条，基因A的Read Count就是多少。这是一个最原始、最直接的观测值，没有经过任何数学上的“修饰”。

这里有个关键细节需要注意，也是新手容易混淆的地方：对于单端测序（SE），一个测序片段产生一条Read，所以Read Count就是片段数。而对于双端测序（PE），一个测序片段会产生两条Read（R1和R2），但在计数时，通常统计的是片段（Fragment）的数量，而不是Read的对数。也就是说，一个配对成功的Fragment，无论它贡献了两条Read，在计数时只算作“1”。这就是为什么在PE数据中，你更常看到FPKM（Fragments Per Kilobase per Million）这个说法，它和RPKM的核心思想一致，只是计数单位从“Read”换成了“Fragment”。在实际操作中，像HISAT2、STAR这样的比对软件，或者featureCounts、HTSeq这样的计数工具，都会为你处理好这个细节，输出基于基因的Fragment计数。

2.2 Read Count的“神力”与“软肋”

为什么我们如此重视这个看似粗糙的原始计数？因为它是几乎所有下游统计分析的基石。目前最主流的差异表达分析工具，如DESeq2和edgeR，其核心数学模型（负二项分布）就是专门为处理原始计数数据而设计的。

这些工具考虑到了测序数据的本质特性：技术重复间的变异（泊松分布）以及基因表达本身固有的生物变异（Gamma分布），两者结合就成了负二项分布。软件内部会利用整个数据集的信息，来估算每个基因的离散度，并对计数进行基于模型的大小因子（Size Factor）校正，从而精准地判断差异。如果你自作主张，先把Read Count转换成RPKM或TPM再丢给DESeq2，就相当于破坏了数据原有的统计属性，把一道适合红烧的食材硬是做成了清蒸，结果自然不可靠。这是我早期踩过的一个大坑，当时觉得RPKM数值“好看”就用了，导致p值分布异常，后来才明白原理。

但是，Raw Read Count的“软肋”也非常明显：它不具备直接的可比性。你不能因为基因A的Count是1000，基因B的Count是500，就说A的表达量是B的两倍。为什么？原因有二：第一，测序深度。样本A总共测了5000万条Read，样本B只测了2500万条，那么样本A中基因的Count天然就更容易更高。第二，基因长度。一个长达10kb的基因，和一个只有1kb的基因，即使它们每个拷贝的转录效率相同，在随机打断测序的过程中，长基因被“抽中”并产生Read的概率也远高于短基因。因此，Raw Count只能用于同一样本内、相同基因在不同条件间的比较（前提是测序深度相似），或者作为标准化软件的输入，绝不能用于跨基因或跨样本（深度差异大）的直接比较。

3. 迈向可比性的第一步：CPM与简单标准化

3.1 CPM的计算与含义

当你需要快速查看数据，或者进行一些对长度不敏感的初步评估时，CPM就派上用场了。CPM的全称是Counts Per Million，计算公式非常简单：

CPM = (基因的Read Count / 样本总比对Read数) * 1,000,000

它的目的很单纯：消除不同样本之间测序深度（Library Size）的差异。通过将每个基因的计数除以总读数再乘以一百万，我们把所有样本“缩放”到了同一个虚拟的“百万级别”测序深度上。这样，样本A中基因X的CPM和样本B中基因X的CPM就可以直接比较了，我们大致能看出同一个基因在不同样本中的相对丰度变化。

举个例子：样本1总Read数500万，基因G的Count为1000；样本2总Read数1000万，基因G的Count为2000。它们的Raw Count翻倍了，但CPM都是 (1000/5,000,000)*1e6 = 200 和 (2000/10,000,000)*1e6 = 200。这说明，扣除测序深度的影响后，基因G在两个样本中的相对表达水平是一致的。

3.2 CPM的应用场景与局限

CPM在哪些场景下比较有用呢？首先，质控（QC）和探索性数据分析。在绘制样本间相关性热图或PCA图进行初步聚类时，使用CPM标准化的数据可以避免测序深度差异主导聚类结果，更能反映真实的生物学差异。其次，在一些不需要考虑基因长度的分析中，比如某些类型的非编码RNA（如miRNA，它们长度非常接近）分析，或者当你只关心同一个基因在不同样本中的相对变化趋势时，CPM是一个轻量且直观的选择。edgeR软件在输出结果时，也常会提供CPM值作为表达量的一个参考。

然而，CPM的局限性就在于它名字里缺少的那个“K”。它没有对基因长度进行校正。因此，CPM绝对不能用于比较不同基因之间的表达水平。一个高表达的短基因，其CPM值完全可能低于一个低表达的长基因。如果你用CPM值来挑“表达量最高”的基因做展示，很可能会选中一堆只是因为它很长而“占便宜”的基因，而不是真正转录活跃的基因。

4. 长度校正的引入：深入理解RPKM/FPKM与TPM

4.1 RPKM/FPKM：它的设计逻辑与时代背景

为了解决跨基因比较的问题，RPKM应运而生。它的全称是Reads Per Kilobase per Million mapped reads。公式比CPM多除了一个基因长度（以千碱基Kb为单位）：

RPKM = [基因Read Count / (基因长度(Kb) * 样本总Read数(百万))]

这个公式可以理解为两步：先除以基因长度，校正长度偏差（得到每Kb的密度），再除以总Read数（以百万计），校正测序深度。最终，RPKM值的生物学含义是：在测序深度为一千万条Read的样本中，该基因每千碱基长度上，平均覆盖的Read数。

FPKM与RPKM完全等价，只是把单位从Read换成了Fragment，专门用于双端测序数据。在很长一段时间里，RPKM/FPKM是转录组领域的“标准货币”，大家用它来绘制热图、做聚类、在文章里展示表达量。它的直观性在于，理论上，两个不同基因的RPKM值可以直接比较，数值高的那个被认为表达水平更高。

4.2 RPKM/FPKM的“阿喀琉斯之踵”

尽管RPKM/FPKM看起来完美，但它有一个根本性的、在样本比较时会导致问题的缺陷。这个缺陷就藏在它的标准化方式里：它对每个样本单独进行标准化。

假设有两个样本，样本1中绝大多数表达都来自基因X和Y，样本2中表达则均匀分布在成千上万个基因上。计算RPKM时，每个样本都用自己的总Read数作为分母。这会导致一个后果：样本间RPKM的总和是不固定的。基因X在样本1中的RPKM值，和它在样本2中的RPKM值，其背后的“基准”是不同的。因此，当你比较基因X在两个样本间的RPKM值时，你不仅看到了基因X本身的变化，还可能混杂了样本整体表达谱分布变化所带来的干扰。

说得更直白点，RPKM适合回答“在这个样本里，哪个基因表达最高？”（基因间比较），但在回答“基因X在两个样本中，哪个表达更高？”（样本间比较）时，它可能给出有偏差的答案，尤其是在样本间转录组构成差异很大时（比如比较不同组织、有无病原体感染等）。

4.3 TPM：一个更合理的“升级版”

正是为了解决RPKM在样本间比较时的潜在问题，TPM被提出并越来越受欢迎。TPM的全称是Transcripts Per Million，它的计算步骤与RPKM/FPKM有所不同：

1. 首先，计算每个基因的 “每千碱基读数”：Rate = Read Count / 基因长度(Kb)
2. 然后，计算样本中所有基因的Rate之和。
3. 最后，将每个基因的Rate除以上述总和，再乘以一百万，得到TPM：TPM = (Rate / 所有基因Rate之和) * 1,000,000

关键区别来了：TPM标准化的分母是“样本中所有基因的长度校正后读数之和”，而RPKM的分母是“样本的总原始读数”。这个微妙的差别带来了巨大的优势：每个样本的TPM值总和总是恒定的100万。这使得TPM值在不同样本之间具有真正意义上的可比性。一个基因的TPM从10上升到20，可以明确解释为其表达比例在整个转录组中翻倍了。

在实际应用中，对于大多数需要跨样本比较表达水平的可视化（如热图、箱线图）或分析（如WGCNA共表达网络分析），TPM通常是比RPKM/FPKM更推荐的选择。现在很多流程，如Salmon、kallisto等基于比对（alignment-free）的定量工具，其默认输出就是TPM（或估算的计数），也反映了这一趋势。

5. 实战指南：不同场景下的指标选择地图

理论说了这么多，到底该怎么选？我总结了一个简单的决策流程图，你可以把它贴在墙上：

5.1 场景一：我要做差异表达分析（DESeq2, edgeR）

毫不犹豫，使用原始Read/Fragment Count。 这是铁律。将这些原始计数直接输入DESeq2或edgeR，让它们用自己的内部算法（如DESeq2的median-of-ratios, edgeR的TMM）进行标准化。这些方法比简单的CPM或RPKM更稳健，能更好地处理一些极端表达基因的影响。千万不要手痒先去转换。

5.2 场景二：我想比较同一个基因在不同样本中的表达高低（制作折线图、柱状图）

首选TPM，其次CPM。 TPM是这里的最佳选择，因为它保证了样本间的可比性。如果你只是快速查看趋势，使用CPM也可以，但要确保所有样本的测序深度不要相差太悬殊（比如不超过2-3倍）。绝对不要使用RPKM/FPKM来跨样本绘制单个基因的表达条形图，这可能会引入偏差。

5.3 场景三：我想比较不同基因在同一个样本中的表达高低（寻找高表达基因、绘制样本内分布图）

可以选择RPKM/FPKM或TPM。 在这个场景下，RPKM/FPKM和TPM的目标是一致的，且结果通常高度相似。TPM由于标准化方式更优，理论上稍好一点。你可以用这个样本中基因的TPM值排序，找出表达量最高的那些基因。CPM在这里不适用。

5.4 场景四：我要做聚类分析（PCA、热图）或构建共表达网络（WGCNA）

强烈推荐使用TPM，或者经过log2转换的TPM。 这类分析通常需要跨样本比较基因的表达模式。TPM提供了样本间一致的标度，使得样本间的距离或相关性计算更准确。对于热图，通常会对TPM值进行一个log2(TPM + 1)的转换，以减弱极高表达基因的视觉主导，让颜色梯度更均衡。WGCNA官方教程也推荐使用合适的标准化数据（如log2转换的TPM或FPKM）。

5.5 场景五：我只是想快速检查一下数据质量或表达概况

使用CPM。 计算简单快捷，能快速反应样本的测序深度是否均一，以及基因的大致表达范围。可以用CPM值绘制样本的表达密度分布图，检查是否有异常样本。

为了更直观，我把核心指标的特点和适用场景总结成下面这个表格：

指标	全称	校正因素	核心用途	不适用于
Read Count	Raw Count	无	差异表达分析的唯一输入	直接进行跨样本、跨基因比较
CPM	Counts Per Million	测序深度	样本间初步比较、质控、非编码RNA分析	跨基因比较
RPKM/FPKM	Reads/Fragments Per Kb per Million	测序深度 + 基因长度	同一样本内，不同基因间的表达比较	跨样本的基因表达水平直接比较
TPM	Transcripts Per Million	测序深度 + 基因长度	跨样本的基因表达比较、聚类、可视化、共表达分析	差异表达分析的直接输入

6. 从理论到代码：如何计算和转换这些指标

知道选什么，还得知道怎么算。虽然很多上游定量工具会直接输出TPM或FPKM，但理解如何从原始计数转换过来，能让你更胸有成竹。这里我用R语言演示一下，假设你有一个原始计数矩阵 count_matrix 和一个包含基因长度的向量 gene_lengths。

# 假设 count_matrix 的行是基因，列是样本
# gene_lengths 是一个与行名顺序对应的向量，单位是碱基数

# 1. 计算CPM
calculate_cpm <- function(count_matrix) {
  library_size <- colSums(count_matrix) # 每个样本的总读数
  cpm_matrix <- t(t(count_matrix) / library_size) * 1e6
  return(cpm_matrix)
}
cpm_values <- calculate_cpm(count_matrix)

# 2. 计算RPKM
calculate_rpkm <- function(count_matrix, gene_lengths) {
  # 基因长度转换为Kb
  length_kb <- gene_lengths / 1000
  # 计算每百万读数标准化因子
  rpm_factor <- t(t(count_matrix) / colSums(count_matrix)) * 1e6
  # 计算RPKM
  rpkm_matrix <- rpm_factor / length_kb
  return(rpkm_matrix)
}
rpkm_values <- calculate_rpkm(count_matrix, gene_lengths)

# 3. 计算TPM (推荐方式)
calculate_tpm <- function(count_matrix, gene_lengths) {
  # 基因长度转换为Kb
  length_kb <- gene_lengths / 1000
  # 计算每千碱基读数速率
  rate_matrix <- count_matrix / length_kb
  # 计算每样本的总速率
  total_rate_per_sample <- colSums(rate_matrix)
  # 计算TPM
  tpm_matrix <- t(t(rate_matrix) / total_rate_per_sample) * 1e6
  return(tpm_matrix)
}
tpm_values <- calculate_tpm(count_matrix, gene_lengths)

# 验证：每个样本的TPM总和应为100万
colSums(tpm_values) # 应该都接近 1,000,000

对于差异分析，使用DESeq2的示例则更为直接：

library(DESeq2)
# 假设 coldata 是样本信息数据框
dds <- DESeqDataSetFromMatrix(countData = count_matrix,
                              colData = coldata,
                              design = ~ condition)
# DESeq2内部会使用原始计数进行模型拟合和标准化
dds <- DESeq(dds)
# 获取标准化后的计数（可用于作图，非差异分析本身）
normalized_counts <- counts(dds, normalized=TRUE)
# 获取差异分析结果
res <- results(dds)

记住，normalized_counts 是DESeq2根据其模型估算出的“校正后计数”，它已经考虑了测序深度和组成偏差，可以用于一些需要标准化数据的可视化，但它和TPM/CPM不是一回事，不要混用。

7. 避坑与进阶思考：指标之外的注意事项

选择了正确的指标，只是走对了第一步。在实际项目中，还有一些陷阱需要留心。

首先，关于“零”的表达。 很多基因在部分样本中计数为0，这在进行log2转换（如log2(TPM+1)）时会产生问题。那个“+1”的伪计数（pseudocount）是为了避免对零取对数，但它的大小会影响低表达基因的稳定性。DESeq2和edgeR等工具在内部处理零值和离散度时有一套更复杂稳健的机制，这也是为什么不要用简单转换后的数据做差异分析的原因之一。

其次，转录本水平的定量。 我们上面讨论的都是基于基因水平的定量。但一个基因可能有多个异构体（Isoform）。像Salmon、kallisto这类工具直接估计的是转录本水平的表达量（TPM）。如果你拿到的是转录本TPM，想得到基因水平的TPM，不能简单地将同一个基因的所有转录本TPM相加。正确做法是，使用工具（如tximport）将转录本水平的估算计数（estimated counts）汇总到基因水平，然后再用上述方法计算基因水平的TPM。直接加和TPM会破坏“总和为百万”的约束。

最后，也是最重要的：生物学重复和统计检验。 无论你用什么指标来展示表达量高低，当你要下结论说“A条件下基因X的表达显著高于B条件”时，必须依靠基于原始计数的统计检验（如DESeq2, edgeR的结果），而不是直接比较TPM或RPKM的均值。统计检验考虑了组内重复的变异，能给出可靠的p值和错误发现率（FDR）。只看均值差，很容易被个别样本的波动或技术噪音所误导。

在我自己的分析生涯里，见过太多因为指标误用而需要返工的例子。最深刻的一次是协助一个合作者复查数据，他们用FPKM值做样本间聚类，发现一个关键处理组的所有样本都聚不到一起，怀疑实验失败。我检查后发现，他们组内测序深度差异极大，用FPKM放大了这种差异。换用TPM并去除一个低深度异常样本后，生物学重复立刻呈现出漂亮的聚类关系，后续分析才得以继续。这件事让我坚信，理解手中工具的原理，和会使用工具本身同样重要，甚至更重要。希望这些经验之谈，能帮你绕过这些坑，让你在RNA-seq数据的海洋里，航行得更顺畅。