EdgeR配对样本设计矩阵纳入年龄等变量的秩亏问题求助

问题背景 #

用EdgeR分析患者治疗前后的差异RNA表达，核心目标：

• 筛选受治疗影响的差异表达RNA
• 探究年龄、性别等患者特征对治疗效果（差异RNA表达）的作用

仅纳入Patient（患者ID）和Time（时间点）时分析正常，但加入年龄等特征后出现设计矩阵秩不足的错误。

报错复现 #

测试代码（以年龄为例） #

将年龄设为因子型的代码：

Patient <- factor(meta.data_sub$Study_ID)
Time <- factor(meta.data_sub$Group3, levels=c("0","1"))
Age <- factor(meta.data_sub$Age)
design <- model.matrix(~0 +Patient +Age +Time)

dge <- estimateDisp(dge, design = design)
fit <- glmQLFit(dge, design = design,dispersion=dge$common.dispersion)
qlf <- glmQLFTest(fit)

将年龄设为数值型的代码：

Patient <- factor(meta.data_sub$Study_ID)
Time <- factor(meta.data_sub$Group3, levels=c("0","1"))
Age <- meta.data_sub$Age # 数值型变量
design <- model.matrix(~0 +Patient +Age +Time)

# 后续拟合代码同上

对应报错信息 #

• 因子型年龄报错：

Error in glmFit.default(sely, design, offset = seloffset, dispersion = 0.05, : Design matrix not of full rank.  The following coefficients not estimable:
 Age23.7 Age28.3 Age30.5 Age31.3 Age31.5 Age31.8 Age31.9 Age32.8 Age33.5 Age35.9 Age36.2 Age36.4 Age37 Age37.5 Age38.7 Age39.4 Age40.1 Age40.5 Age41.8 Age42.4 Age44.4 Age46 Age47 Age47.5 Age48.5 Age48.6 Age48.7 Age48.9 Age50 Age50.1 Age50.5 Age51.2 Age51.7 Age51.9 Age53.2 Age54.1 Age54.5 Age56.8 Age58.1 Age60.6 Age64.3 Age67.3

• 数值型年龄报错：

Error in glmFit.default(sely, design, offset = seloffset, dispersion = 0.05, : Design matrix not of full rank.  The following coefficients not estimable:
 Age

原因分析 #

你的推测完全正确：患者特征（年龄、性别、种族等）在同一患者的不同时间点固定不变，这些特征和Patient因子存在完全共线性——每个患者对应唯一的年龄/性别值，导致设计矩阵中这些变量的信息可被Patient的分组完全解释，矩阵秩不足，无法估计特征系数。

解决方案 #

绝对不能直接移除Patient，因为你的数据是配对样本（同一患者治疗前后），移除Patient会丢失个体差异控制，导致结果偏差。正确做法是构建包含时间与患者特征交互项的模型，以此检验患者特征对治疗效果的影响：

正确模型设计 #

# 变量类型设置：年龄设为数值型（连续变量），性别/种族设为因子型
Patient <- factor(meta.data_sub$Study_ID)
Time <- factor(meta.data_sub$Group3, levels=c("0","1"))
Age <- meta.data_sub$Age
Gender <- factor(meta.data_sub$Gender)

# 构建模型：先控制个体差异，再加入特征与时间的交互项
design <- model.matrix(~Patient + Time + Age:Time + Gender:Time)

模型解释 #

• Patient：控制每个患者的基线表达差异（个体效应）
• Time：治疗的主效应（平均水平上的治疗前后差异）
• Age:Time：年龄对治疗效果的调节作用（不同年龄患者的治疗反应差异）
• Gender:Time：性别对治疗效果的调节作用（不同性别患者的治疗反应差异）

差异检验示例 #

dge <- estimateDisp(dge, design = design)
fit <- glmQLFit(dge, design = design)

# 检验治疗主效应（筛选受治疗影响的RNA）
qlf_time <- glmQLFTest(fit, coef = grep("Time", colnames(design), fixed = TRUE))

# 检验年龄对治疗效果的调节作用（筛选受年龄影响的治疗差异RNA）
qlf_age_time <- glmQLFTest(fit, coef = grep("Age:Time", colnames(design), fixed = TRUE))

补充说明 #

1. 如果年龄是离散分组（如青年/中年/老年），可设为因子型，交互项逻辑依然成立
2. 同时纳入多个特征时，需注意特征间的共线性（如年龄与种族可能相关），必要时先做相关性分析
3. 不要使用~0 + Patient + Age + Time这类模型，因为固定特征和个体效应完全共线性，无法估计特征主效应——你要研究的是特征对治疗效果的影响，而非特征对基线表达的影响，交互项才是正确选择

内容的提问来源于stack exchange，提问作者Elizabeth Mist