Bulk RNA-seq 差异表达分析报告

项目概况

本报告是公开数据示例交付物，用于展示 HST GENOMICS bulk RNA-seq 差异表达分析的交付形式。数据来自 GEO 公开数据集 GSE147507（Blanco-Melo 等，2020），选取其中 Series 1：人原代支气管上皮细胞（NHBE）SARS-CoV-2 感染组与对照组各 3 个样本的原始计数矩阵。

分析方法

• 输入：GEO 提供的基因水平原始计数矩阵（作者以 STAR 比对、featureCounts 计数），本示例不重新比对。
• 过滤：6 个样本计数总和 < 10 的基因剔除，保留 14,159 / 21,797 个基因；其中 13,061 个通过 DESeq2 独立过滤，参与多重检验校正。
• 差异表达：PyDESeq2 0.5.4（DESeq2 方法的 Python 实现），设计 ~condition，对比 infected vs mock，Wald 检验，Benjamini–Hochberg 校正；显著性阈值 padj < 0.05 且 |log2FC| > 1。
• 质控：文库大小、基于前 500 个高变基因的主成分分析、样本间 Spearman 相关。
• 富集：上调基因做 MSigDB Hallmark 过代表性分析（Enrichr，gseapy 1.3.1）。

质量控制

结果

在 padj < 0.05 且 |log2FC| > 1 的阈值下共得到 111 个差异基因，其中上调 95 个、下调 16 个。

与原文对照：上调前 20 个基因中只有 1 个是经典干扰素刺激基因（MX1），列表以趋化因子与炎症基因为主（CCL20、CXCL1、CXCL5、IL36G 等），同时 Hallmark 干扰素 γ 与干扰素 α 应答通路在上调基因中显著富集（见表 3）：干扰素刺激基因有诱导，但幅度不如趋化因子突出。这与原文（Blanco-Melo 等，2020）报道的干扰素应答相对偏弱、趋化因子强烈诱导相符。

交付物清单

• tables/DE_results_all_genes.csv：全部基因的 DESeq2 结果
• tables/DE_significant_padj0.05_log2FC1.csv：显著差异基因
• tables/enrichment_hallmark_upregulated.csv：富集结果
• tables/counts_raw_selected_samples.csv、tables/sample_sheet.csv：输入计数与样本表
• figures/*.png：出版级图（可按期刊要求改为 PDF/SVG）
• run_bulk.py、report_lib.py、requirements.txt、README.txt：可复现的完整分析代码、参数与运行说明

方法学段落（可直接改写进论文）

基因水平原始计数来自 GEO（GSE147507）。剔除六个样本计数总和低于 10 的基因后，使用 PyDESeq2 0.5.4 进行差异表达分析（设计 ~condition），以 Wald 检验比较感染组与对照组，P 值经 Benjamini–Hochberg 校正；校正后 P < 0.05 且 |log2 fold change| > 1 的基因视为差异表达。上调基因的功能富集使用 Enrichr 对 MSigDB Hallmark 基因集进行过代表性分析。