🧬
在线DESeq2差异分析 — RNA-seq差异表达分析金标准
免费在线进行DESeq2差异表达分析。上传count矩阵和分组信息，一键完成差异基因筛选，支持多组比较、批次校正和多种可视化。
🧬 免费在线使用什么是DESeq2差异分析？
DESeq2是RNA-seq差异表达分析的金标准工具，由Michael Love等人开发并发表在Genome Biology（2014），截至目前已引用超过80,000次。它基于负二项分布（Negative Binomial）模型，有效处理RNA-seq count数据的高离散度和低样本量问题。
DESeq2的核心优势包括：利用经验贝叶斯收缩（Empirical Bayes Shrinkage）估计基因离散度，提高小样本量下的统计效能；支持复杂的实验设计（多因素、交互作用）；内置多种标准化方法（中位数比率、VST、rlog）和可视化功能。
📌 DESeq2的核心步骤
- 数据标准化：通过中位数比率法（Median of Ratios）标准化不同文库大小
- 离散度估计：使用经验贝叶斯方法估计每个基因的离散度
- 模型拟合：拟合负二项广义线性模型（GLM）
- 假设检验：Wald检验或似然比检验（LRT）
- 多重检验校正：Benjamini-Hochberg FDR校正
什么时候使用DESeq2？
🔬 典型应用场景
- 标准RNA-seq差异分析：比较两个或多个条件间的基因表达差异
- 时间序列分析：使用LRT检验基因表达是否随时间显著变化
- 批次效应校正：在实验设计中纳入批次因素
- 多因素实验设计：分析处理+时间+个体的复杂交互效应
- 数据质控：MA图、PCA图、样本距离热图等质控可视化
- 下游分析基础：差异基因列表是GO/KEGG富集和GSEA的基础
如何使用在线DESeq2差异分析工具
- 准备数据：准备count矩阵（行为基因，列为样本）和分组信息表
- 上传数据：上传CSV/Excel格式的count矩阵和分组文件
- 设置对比：选择比较组（如Treatment vs Control）
- AI辅助：用自然语言描述实验设计和分析需求
- 查看结果：获取差异基因表格、MA图、火山图、PCA图等
- 导出数据：导出完整差异分析结果用于下游分析
💡 AI提示示例："我有三个治疗组和一个对照组的RNA-seq数据，每组3个重复。帮我用DESeq2做差异分析，比较每个治疗组和对照组的差异，FDR阈值设为0.05。"
常见问题
- DESeq2需要输入什么数据？
- 需要原始的count矩阵（非标准化counts），推荐使用featureCounts或HTSeq-count的输出。不建议使用TPM/FPKM，因为它们不是整数counts。
- DESeq2、edgeR和limma-voom有什么区别？
- 三者都是RNA-seq差异分析的主流方法。DESeq2和edgeR基于负二项模型，limma-voom将count数据转换为近似正态。小样本量时DESeq2表现更稳健。在实践中它们的结果高度一致。
- FDR阈值一般设多少？
- 标准FDR阈值为0.05（即padj < 0.05）。更严格可用0.01，更宽松可用0.1。需结合log2FC阈值综合筛选差异基因。
- 需要多少生物学重复？
- DESeq2理论上至少2个重复即可运行，但强烈建议每组至少3个生物学重复。重复越多，统计效能越高，差异基因的可靠性越好。