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.FunctionPredictionTax4Fun 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

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)

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」

为什么不自动联网更新数据库

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

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。

← 返回导航