RNA-seq绘制log2FC-mean图出现异常点，求复现论文图的优化方案

异常分布的可能成因 #

• 计数数据类型错误：recount3提供的默认计数可能不是DESeq2要求的整数型原始测序计数（比如是经过标准化的浮点型数据），直接输入DESeq2会导致统计模型计算异常，出现线状点。
• 未过滤低表达基因：大量低表达基因（counts极低）的统计显著性不可靠，会在火山图中形成集中的线状/点状集群，干扰整体分布。
• 分组信息错误：样本分组（type列）可能存在混淆（如对照组与处理组颠倒）、样本数不平衡或混入离群样本，导致差异趋势与论文不符。
• lfcShrink参数使用不当：未明确指定对比项（coef参数），导致收缩方向或对象错误，无法有效修正异常点。

针对性解决方法 #

1. 校验并转换计数数据
   确认ha_4uM_30min_data是否为整数型原始计数：

   # 检查数据类型
   str(ha_4uM_30min_data)
   # 若为recount3的标准化数据，转换为原始计数（参考recount3官方流程）
   library(recount3)
   rse <- create_rse(...) # 重新从recount3构建RSE对象
   counts(rse) <- recount3::scale_counts(rse, by="auc") # 转换为原始计数
   ha_4uM_30min_data <- counts(rse)
   

2. 过滤低表达基因
   在构建DESeqDataSet前过滤低表达基因，保留至少在N个样本中counts≥10的基因（N根据每组样本数调整，如每组3个样本则设为3）：

   keep <- rowSums(ha_4uM_30min_data >= 10) >= 3
   ha_4uM_30min_data_filtered <- ha_4uM_30min_data[keep, ]
   # 重新构建DESeq对象
   dds_4uM_30min <- DESeqDataSetFromMatrix(countData = ha_4uM_30min_data_filtered, 
                                           colData = ha_4uM_30min_meta, 
                                           design = ~ type)
   

3. 验证分组与样本质量

   • 检查ha_4uM_30min_meta$type的分组标签是否与论文一致，确认样本数平衡。
   • 绘制PCA图验证样本聚类：

     rld <- rlog(dds_4uM_30min)
     plotPCA(rld, intgroup="type")
     

     若存在离群样本，考虑剔除后重新分析。

4. 正确使用lfcShrink
   明确指定对比项的系数名称（可通过resultsNames(dds2_4uM_30min)查看），选择合适的收缩方法：

   # 查看可用的结果名称
   resultsNames(dds2_4uM_30min)
   # 比如系数为"type_treated_vs_control"
   res_shrink <- lfcShrink(dds2_4uM_30min, 
                           coef = "type_treated_vs_control", 
                           type = "ashr")
   

RNA-seq数据后续处理建议 #

• 预处理阶段
  • 严格遵循数据来源的处理流程：recount3数据需按官方文档转换为原始计数，避免直接使用标准化数据进行差异分析。
  • 低表达基因过滤是必备步骤，可有效减少噪声，提升结果可靠性。
  • 先做样本质量评估（PCA、样本相关性热图），确认分组合理性，剔除离群样本。
• 差异分析阶段
  • 若存在批次效应，需在设计矩阵中加入批次变量（如~ batch + type），消除批次干扰。
  • 查看离散度估计图（plotDispEsts(dds2_4uM_30min)），确认模型拟合是否合理。
  • 绘制火山图时，设置合理的显著性阈值（如padj < 0.05且|log2FC| > 1），对显著基因上色，突出核心差异。
• 结果验证
  • 对比论文中的差异基因数量、上调/下调趋势，若差异过大，需检查是否与论文使用了相同的比对、计数或过滤策略。

内容的提问来源于stack exchange，提问作者Cindy Chen