怎么用 · 怎么读
这一页回答四件事:我手上的文件该传到哪、公司给的结果目录怎么读、 那些数据库文件是什么、每一步算出来的东西意味着什么。 内容对转录组 / 蛋白组 / 代谢组 / 微生物组 / 联合分析通用。 每个模块页里还各自带一份本组学的分步导读(在模块页顶部展开即可),这一页不再重复。 所有计算都在你自己的浏览器里跑,表格不会上传,也不联网。
① 三分钟上手:我该传什么
先看一张对照表。左边是你手上有的东西,右边是它该去的地方。
| 你手上是 | 去哪个页签 | 传哪张表 | 传进去能得到 |
|---|---|---|---|
| 代谢组平台的定量结果表 (含 cpd_ID / HMDB / MW 这类注释列) |
代谢组 | 整张表原样传(列越多越好,程序自己认) | 差异代谢物(FC + p/FDR)、热图、回调分析、KEGG 通路富集 |
| 蛋白组定量表 ( proteinGroups.txt、MaxQuant / DIA 结果) |
蛋白组 | 蛋白编号或基因名 + 各样本列 | 差异蛋白、GO/KEGG 富集、回调分析 |
| 16S 扩增子结果 (公司给的 featureTable) |
微生物组 | featureTable.sample.total.absolute.txt(属水平,含 Taxonomy 列) |
物种组成、Alpha/Beta 多样性、差异菌属、回调分析 |
| 16S 功能预测(Tax4Fun / PICRUSt) | 微生物组第 7 步 或联合分析里当一层 |
KEGG_metagenome_predictions.txt(每行一个 K00001) |
功能层(KO)差异、KEGG 通路富集 |
| 公司已经算好的差异表 (基因 / log2FC / p / padj) |
转录组 | 差异表本身(不必再给表达矩阵) | 火山图、富集、GSEA、逆转分析 |
| 同一批样本测了 ≥2 个组学 | 联合分析 | 每层各一张定量表(+ 可选 KO 表) | 跨组学相关、多层通路证据链、多层回调一致性 |
总原则:原样传,不要手工改表。不要删列、不要合并单元格、不要把中文名翻成英文。 程序会自己找「哪一列是特征 ID、哪几列是样本」;你会却在第 1 步看到它认了什么, 认错了可以手动翻转方向、手动指定 ID 列。
② 公司给的结果目录怎么读
不管哪家测序公司、哪个组学,交付目录都遵守同一个套路:文件夹名前面的编号就是分析步骤
(01 质控 → 02 定量/特征表 → 03 可视化 → 04 统计 → 08 功能…),
越靠前的越原始,越靠后的越是加工过的结果。你需要的通常是「特征 × 样本」的那张定量表,
它一定出现在第 2 或第 3 个文件夹附近。
| 组学 | 常见目录 / 文件名 | 该传的是哪一张 | 不用管的 |
|---|---|---|---|
| 转录组 | genes.counts.matrix、*_fpkm.xls、DE_analysis/、
03.DEG/ |
表达矩阵(行=基因、列=样本);或公司已算好的差异表(含 log2FC/p/padj) |
原始 fastq、比对 bam、GO/KEGG 富集结果图 |
| 蛋白组 | proteinGroups.txt、*_protein_quant.xlsx、MaxQuant/、
DIA/ |
蛋白定量表(行=蛋白、列=样本,可带 Gene names) |
raw 文件、peptide 表、搜库日志 |
| 代谢组 | *_data.xlsx、峰表、POS/NEG、鉴定结果 |
整张平台定量表(含 Compounds / cpd_ID / HMDB 注释列 + 样本列) |
总离子流图、QC 图、公司做的 PCA/OPLS-DA 图 |
| 微生物组 | 02.FeatureAnalysis/、featureTable*、03.TaxonVisual/、
08.FunctionPrediction/ |
属水平(或 ASV)丰度表;做功能再取 Tax4Fun/PICRUSt 的 KO 表 | fastq、Alpha/Beta 多样性图(站里会重算) |
三个判断技巧:① 打开文件先看第一行是不是表头、有没有一列是名字/编号;
② 数一下样本列的数量是否等于你的样本数(少了就是取错了表,往往是取了「组均值表」);
③ 名字里带 mean / group / statistics 的通常是汇总结果,不是原始定量表。
实例:一份 16S 扩增子结果的目录
下面是常见的一次 16S 交付(目录名形如 Result-XXXX-…)。数一下编号就能对上站里的步骤:
| 目录 | 里面是什么 | 站里用不用 | 说明 |
|---|---|---|---|
00.RawData | 下机原始序列(fastq.gz) | 不用 | 公司存档用。要重跑上游才需要 |
01.CleanData | 质控后的序列表,按样本分文件夹 | 不用 | 上游数据,本站从「特征表」开始 |
02.FeatureAnalysis | 特征表(ASV/OTU)与物种注释 | 用这一层 | 走 tables/sample/featureTable_Absolute/:
featureTable.sample.total.absolute.txt(属水平汇总,35 个样本) |
03.TaxonVisual | 物种组成图:柱状图、热图、三元图、韦恩图 | 参考 | 站里第 2 步会重画一遍,好处是图能自己改样式、和别的组学并排 |
04.AlphaDiversity | 组内多样性(Shannon / Chao1 / 覆盖度) | 对应第 3 步 | 站里重算,因为要统一「用哪个稀释深度、用哪套指数」 |
05.BetaDiversity | 组间差异:PCoA / NMDS / adonis / ANOSIM | 对应第 4 步 | 公司常给 PCoA 图,站里给的是同一套距离矩阵 + 置换检验的 p |
06.StatisticalTest | 差异物种(LEfSe / ANOVA / Kruskal) | 对应第 5 步 | 站里用 FC + p(或 FDR)+ 组间一致性,口径与代谢/蛋白一致 |
07.CorrelationAnalysis | 物种间相关(含 micropita) | 参考 | 要做「菌—代谢物」相关,用联合分析第 3 步更直接 |
08.FunctionPrediction | Tax4Fun 功能预测 | 对应第 7 步 | 走 tax4fun/predicted/KEGG_metagenome_predictions.txt(每行一个 KO) |
report | 公司出的 HTML 报告(现成的图与文字) | 参考 | 方法学可以抄,但数字要以能复算的为准 |
为什么公司算过了,站里还要再算一遍
- 口径统一:公司各管一段,代谢用 VIP、16S 用 LEfSe、蛋白用 FC,三种口径混在一篇论文里审稿人会问。 站里四块组学统一成「FC + p/FDR」,回调统一成「两次独立比较的方向交集」。
- 能复算:每个数字点一下就能导出 CSV,方法学段落自动写清用了什么检验、校正到哪一步。
- 能并排:只有自己算,才能把「菌属 ↑」和「代谢物 ↓」放进同一张通路矩阵里对齐。
- 不是替代:公司报告里的原始图、原始指标仍然要留档;本页的定位是「可复现的二次分析」。
代谢组平台表怎么读(多数 LC-MS 平台导出的都长这样,常叫 all_sample_data.xlsx):
一行 = 一个检出的代谢物,
前面若干列是注释(Compounds 英文名、物质 中文名、Formula 分子式、
Molecular weight 分子量、RT 保留时间、Mode 正负离子模式、
CpD_ID 的 KEGG 化合物编号、HMDB/PubChem/CAS 各种库编号),
后面才是样本列(如 C1…T12 的峰面积)。同一物质可能正负模式各一行,这是正常的,
比较时要保证组间用的是同一模式。
③ 每种表长什么样
通用规则(所有模块都适用)
- 第一行是表头,一列一个字段;一行一个特征(基因 / 蛋白 / 代谢物 / 菌属 / KO)。
- 样本列的列名就是样本名,要和分组能对上(
C1 C2 C3、M1 M2 M3、T1 T2 T3)。 - 格子里的数是定量值(峰面积、强度、counts、TPM 都行)。缺失留空,不要填 0、不要写
NA之外的怪字符。 - 注释列(名字、分子式、分类、p 值…)可以随便带,程序只挑它需要的那一列。
- 格式
.xlsx / .csv / .tsv / .txt都认;老式 .xls(97-2003)不认,请另存为 xlsx。
代谢组(峰表 / 定量表)
Mode Index Compounds cpd_ID C1 C2 M1 M2 positive MW0162863 3-(Imidazol-4-yl)... C00022 81234 90122 152300 148900 positive MW0164011 Citric acid C00158 44201 39877 91200 87450 positive MW0164222 L-Tryptophan - 2210 1988 6400 6712
注意第三行 cpd_ID 是 -:表示这个物质没查到 KEGG 编号。
这种行不参与通路富集(没有编号就不知道它属于哪条通路),但仍然参与差异分析、热图、回调。
蛋白组
Protein IDs Gene names C1 C2 M1 M2 P02769 ALB 1.2e8 1.1e8 2.4e8 2.3e8 Q6P6R2 Nfe2l2 3.4e7 5.1e7 4.9e7
第一行蛋白编号可以是 sp|P02769|ALB_HUMAN 这种格式,程序会取中间那段
P02769。空白格表示该样本没检测到——程序在差异检验里不插补
(蛋白的「没测到」通常是含量太低,凭空补一个值会伪造出方差)。
微生物组(16S)
Taxonomy C1 C2 M1 M2 Tax_detail Ligilactobacillus 4227 593 7444 3438 f__Lactobacillaceae;g__Ligilactobacillus Akkermansia 31 4824 5339 1953 f__Akkermansiaceae;g__Akkermansia
Taxonomy 是菌属名。公司表里常再加一列 Tax_detail(完整分类路径)——
这一列不能当 ID 用(很多菌属共享同一行分类路径,会被误合并),程序会自动避开它。
KO 功能表(Tax4Fun / PICRUSt 输出)
ko C1 C2 M1 M2 kegg_pathway K00001 0.000411 0.000449 0.000319 0.000452 ko00010 K00002 0.000512 0.000501 0.000622 0.000601 ko00010
第一行可能是 #convert from biom 这样的注释行,程序会跳过。
最后一列 kegg_pathway 是注释,不参与分析。不要用
KEGG_L1/L2/L3 那几张「已经聚成通路」的表——富集需要「KO → 通路」的成员关系,
聚成通路之后这个关系就没了。
转录组(两种模式)
# 模式 A:表达矩阵 Gene C1 C2 M1 M2 Trp53 12.4 11.8 25.1 24.6 # 模式 B:公司已算好的差异表 gene log2FC p padj baseMean Trp53 1.02 0.0031 0.021 152.3
有原始矩阵优先用矩阵(能自己选检验、自己定阈值);只有差异表也能用,但阈值就固定在公司那套上。
④ 数据库文件是什么
富集分析需要一张「成员 → 通路」的归属表。它不是一个神秘的软件,就是两列文本: 左边这个分子/基因,属于右边那条通路。没有它,程序只知道你测到了什么,不知道它们在哪条通路上干活。
| 文件 | 两列是什么 | 从哪来 | 用在哪 |
|---|---|---|---|
compound.txt |
cpd:C00022 ↔ path:map00010 |
KEGG:rest.kegg.jp/link/pathway/compound |
代谢组通路富集、联合分析里的代谢层 |
KO-pathway_KEGG_2026-10-30.txt |
ko:K00001 ↔ path:map00010 |
KEGG:rest.kegg.jp/link/pathway/ko |
KO 功能层(16S 第 7 步 / 联合分析的 KO 层) |
| GMT 文件 (KEGG 人/小鼠、Hallmark、Reactome、WikiPathways) |
每行一条通路:通路名 ⇥ 描述 ⇥ 基因1 基因2 … |
MSigDB / 各库官网;本站 genesets-local/ 里有 5 套 |
转录组、蛋白组的基因集富集 |
| 内置 GO(小鼠 / 大鼠 BP·CC·MF) | 同上(GMT 格式) | 站内自带,版本固定不可改 | 转录组、蛋白组富集(物种要选对:鼠用鼠的库) |
怎么判断「这个库能不能用在我这层」
- 看编号体系是否一致:你的表是
K00001就得配 KO→通路;是C00022就得配 C→通路; 是基因名(Trp53)就得配基因集。不一致的库不是「效果差」,是一条都命中不了,界面会直接标红。 - 看覆盖率:界面会写「覆盖 x%(命中/你这层总数)」。覆盖率低通常不是库有问题,而是
你选的 ID 列不合适——比如代谢表自动挑了一列实验室内部编号,而
cpd_ID才有 KEGG 号, 这时在第 1 步卡片上把「富集用 ID 列」改成cpd_ID即可。 - 看通路数:几十到几百条是正常;只剩 3~5 条一般是文件格式不对(比如把「编号 + 通路名」的表当成了关联表)。
为什么不自动联网更新数据库
- 数据不出本机:这是本站的硬约束,联网校验等于把数据送出去。
- 可复现:库一换,p 值就变。所以库文件名里写日期,论文方法学要写「用哪一版」。
- 许可:KEGG 对再分发有限制,本站只教你从官方接口自己下,不代你分发。
自己下库的最短路径:浏览器打开 https://rest.kegg.jp/link/pathway/ko,
另存为 .txt 即可(这份文件 4 万多行、约 1 MB,属于正常大小)。
⑤ 联合分析:几个表、七步原理
联合分析要回答三个问题:谁和谁一起变(相关)、哪条通路在多个层面都被扰动(证据链)、 给药在多个层面都救回了什么(回调一致性)。七步就是这三问的流水线。 任意两个组学都能联合(代谢 + 16S、转录 + 蛋白、蛋白 + 代谢…),不是只有某两种。
先分清两类文件:数据表 vs 通路库
| # | 传什么 | 在哪一步传 | 为什么 | 不传会怎样 |
|---|---|---|---|---|
| 1 | 组学 A 定量表 | 入口页(第 0 步) | 这一层所有分析的基础 | 无法开始 |
| 2 | 组学 B 定量表 | 入口页(第 0 步) | 至少两层才叫「跨组学」;样本名要能对上 | 进不去工作区 |
| 3 | 第三、第四层(可选) 如 KO 功能表 |
入口页,或工作区左侧「+ 再加一层」 | 物种层没有通路空间,功能层才有 | 少一条证据链,不影响已有层 |
| 4 | 层 A 的通路库 | 第 5 步,A 层卡片「选择文件」 | 告诉程序「这个成员属于哪条通路」 | A 层富集 0 条 |
| 5 | 层 B 的通路库 | 第 5 步,B 层卡片 | 每层编号体系不同,必须各配各的库 | B 层富集 0 条 |
所以「五张表」是这么来的:3 张数据表(在入口一次拖进去)+ 2 张通路库(第 5 步按层传)。 只用两个组学时是 3 张(2 张数据表 + 1 张库);四层就是 4 张数据表 + 4 张库。 最容易错的地方:把通路库拖进入口页(它只有两列,会被当成坏表), 或者做到第 5 步才发现没下库。
通路库怎么配:代谢层(C00022 这类编号)配 compound.txt;
KO 功能层(K00001)配 KO-pathway_….txt;
基因 / 蛋白层(基因名)配 GMT(KEGG / GO / Hallmark)。编号体系不一致的库一条都命中不了,
不是「效果差」,界面会直接把命中数标红。
第 1 步 · 数据体检
做什么:把每层表读进来,认出「哪列是特征 ID、哪几列是样本」,再把各层样本名对齐。
为什么:跨组学相关的前提是同一个样本在两层里都测了。
名字对不上(C1 vs c1 vs Control-1)会直接导致「共同样本 0 个」。
程序会自动忽略大小写和空格,但不会猜「Control-1 就是 C1」。
结果怎么看:共同样本数是关键数字(要 ≥3,实际上 ≥6 才有意义)。 层卡片上的「同 ID 合并 N 行 / ID 为空跳过 N 行」是红字警告——这是程序在告诉你丢了多少数据。 方向判错可以点「换成样本在行」,ID 列认错可以在下拉里手动指定。
顺手要定:哪组是对照、哪组是模型、哪组是给药。第 4 步的回调全靠这三个角色。
第 2 步 · 预处理与 QC
做什么:可选 log2 变换、可选归一(中位数 / z-score)、剔除有效值太少的特征,然后画 PCA。
为什么:不同平台的量纲差几个数量级(代谢峰面积 1e5、KO 相对丰度 1e-4), 放到同一张热图上会被一个层压平。但相关分析对线性变换不变——归一不会改变 Spearman, 主要是为了图好看、为了 PCA 可比。
结果怎么看:PCA 上对照组和模型组分开,说明处理确实改变了这批特征; 给药组落在中间,提示「部分回到对照」(只是提示,不是结论)。如果 PCA 上组间完全重叠, 后面的差异/富集基本不会有东西——先回去看分组和样本名,而不是调阈值。
第 3 步 · 跨组学相关
做什么:每层按方差取前若干个特征,两层之间全配对算相关系数,再做 BH 校正,按 |r| 和 p 筛选。
为什么:这是「谁和谁一起变」最直接的证据。用 Spearman(秩相关)是因为它抗离群值、 只要单调关系就能抓到;Pearson 是严格的线性关系。测几万对必然有假阳性,所以必须看 FDR(q),不能只看 p。
结果怎么看:r 是方向 + 强度(+1 同升同降、−1 此消彼长、0 无关), q 是「这一堆里假阳性的比例」。样本只有 8~10 个时,|r| 要到 0.7 以上才勉强算强。 气泡图里点的大小是 |r|,颜色是方向。
三条纪律:① 相关 ≠ 因果(菌多代谢物也多,可能是共同被饮食驱动); ② Spearman 的 p 是 t 近似,样本 <10 时偏乐观;③ 全配对意味着多重比较,报结论要带 q。
第 4 步 · 各层差异与回调
做什么:每层各自做两次独立比较——① 模型 vs 对照(疾病效应)② 给药 vs 模型(药物效应), 各筛一遍,再取方向的交集。
为什么:回调(逆转)是药效的常用证据:疾病把某代谢物压下去、给药把它拉回来。 但跨比较不能混用仅属于单次比较的统计量(VIP、LEfSe 的 LDA score),所以这里统一只用 FC + p/FDR。
结果怎么看:六类标记——
↑→↓/↓→↑ 是真回调;
↑↑/↓↓ 是同向叠加(药和病一个方向,可能是副作用);
模型独有/给药独有 是只在一次比较里显著,证据弱。
回调率 = 1 − |给药后偏离对照| ÷ |模型偏离对照|:1 = 完全回到对照,0 = 没回来,
<0 = 反向超调(比对照还低),这时不截断成 0,因为超调本身是信息。
两条不能说:① 这不是交互作用检验(那要做双因素方差分析,本站不做); ② 回调 ≠ 药效好(酶上调时底物降、产物升,方向天然相反;药理作用和副作用在图上一模一样)。
第 5 步 · 通路整合(证据链)
做什么:每层用自己的通路库,以「本次检测到的特征 ∩ 库」为背景、 以显著集(差异或回调)为提交,做超几何检验(ORA)+ BH 校正,最后按通路名对齐成「通路 × 层」矩阵。
为什么背景不能是全基因组:你没测到的东西放进背景,会把富集倍数压小—— 等于假装「这些基因存在但没变化」。用「检测到的」才是这批数据的真实抽样框。
结果怎么看:矩阵里颜色越深 = 该层这条通路越显著,空白 = 该层没测到/库里没有这条通路。 一条通路在 2 层以上都显著,就是「跨层证据链」,比单层显著更值得写。 富集倍数上限 = N/n(背景数 ÷ 显著数):显著集只占背景 5% 时上限就是 20 倍, 只占 50% 时上限只有 2 倍——所以「一个都不显著」往往不是通路的问题,而是阈值太松、显著集太大。
常见错:① 拿物种层做通路富集(物种组成 ≠ 功能,要做就补 KO 表); ② 库的编号体系和表对不上(界面覆盖率会显示 0%);③ 多层用不同版本的通路库,名字对不齐。
第 6 步 · 全景图
做什么:把通路矩阵、相关网络、回调统计拼在一页,按「显著层数」排序。
结果怎么看:不要一页页翻结论,先看这里——哪条通路多层显著、哪对相关最强、回调集中在哪一层, 这三件事都成立的方向,才是可以写进摘要的故事。
第 7 步 · 报告导出
做什么:把上面所有图与表、阈值、方法学段落打包成一个 HTML 报告(可直接打印成 PDF)。
为什么值得用:方法学段落里写清了「用了什么检验、有没有校正、阈值是多少、哪些口径不能说」, 这部分最容易被审稿人挑,也最容易忘。
⑥ 结果怎么读
| 图 | 看什么 | 怎么算误读 |
|---|---|---|
| PCA 散点 | 同类样本是否聚在一起;组间是否分离 | 把「分开了」当成「有显著差异」——PCA 不做检验 |
| 火山图 | 横轴 FC、纵轴 −log10 p;两条尾巴是差异特征 | 只看 p 不看 FC:大批量样本里 p 很容易小,但倍数可能只有 1.1 倍 |
| 热图 | 行是特征、列是样本,颜色是归一后的相对高低 | 把颜色当绝对含量读;不同行的色标是各自归一过的 |
| 箱线图 | 组内分布、离群点 | 只看均值不看离散——两组均值差 1 倍但组内抖动更大时结论很弱 |
| PCoA / NMDS | 样本间距离的排序图;p 来自 adonis/ANOSIM | 把图上「看起来分开」当显著,p 才是判据 |
| 富集气泡图 | 点大小 = 命中数,颜色 = p/FDR,横轴 = 富集倍数 | 倍数大不等于显著;先看上限 N/n 再看倍数 |
| 通路 × 层矩阵 | 一条通路在几个层面都显著 | 把空白当「不显著」——空白是「这层没测到/库里没有」 |
| 相关网络 / 气泡 | 线的颜色 = 正负,粗细 = |r| | 把相关写成因果;忽略 q 值 |
⑦ 术语表(写方法学时会用到)
- FC / log2FC
- 倍数变化。log2FC = 1 表示翻倍,−1 表示减半。用 log2 是为了让「翻倍」和「减半」对称。
- p
- 「如果两组其实没差别,看到这么大差异的概率」。越小越不像巧合。
- FDR / q / BH
- 同时检验几千个特征时,把假阳性比例控制住的方法(Benjamini-Hochberg)。多重比较必须看它。
- ORA
- 超几何检验式富集:显著集里落在某通路的成员数,是否比随机抽同样多成员时更多。
- GSEA
- 不设阈值,用全基因排序看某个基因集是否集中在列表一端。适合「整体轻微但一致」的变化。
- NES
- GSEA 的标准化富集分数,正 = 该基因集在实验组偏高。
- VIP
- PLS-DA 的变量重要性。只属于单次比较,跨比较混用会把两套模型搅在一起,本站不用。
- 回调率
- 1 − |给药后偏离对照| ÷ |模型偏离对照|。1 = 完全回到对照,0 = 没回来,<0 = 超调。
- 置换检验
- 把样本标签反复打乱重算,看真实值在「随机世界」里有多极端。16S 的 Beta 多样性、回调的 p 都靠它。
- Alpha / Beta 多样性
- Alpha = 一个样本内部有多丰富(Shannon、Chao1);Beta = 样本之间差多远(Bray-Curtis 等距离)。
⑧ 写论文时的口径
- 不能写「交互作用显著」——本站的回调是两次独立比较的方向交集,不是双因素方差分析的交互项。
- 不能写「回调说明药效好」——回调只说明方向被拉回,药理作用与副作用在图上长得一样。
- 不能写「某通路富集了 15 倍」而不提上限——先看 N/n,超过上限的说法一定算错了。
- 不能写「相关分析证明 A 导致 B」——只能说「A 与 B 相关」。
- 要写:样本数、用了哪次比较、检验方法、是否校正、阈值、库的版本与日期、软件版本。
- 要写:16S 功能预测是预测不是实测;代谢物注释的 Level(1~4)决定可信度。
每个模块第 7 步导出的报告里,方法学段落已经按上面这些口径生成,可以直接摘进论文,再按你实际改的阈值核对一遍。