RNA-seq新手必看：5分钟搞懂表达矩阵归一化（RPKM/TPM/FPKM对比）

关注

VIP免费原创最新推荐文章于 2026-09-14 09:10:19 发布 829 阅读 AI 写同款· GEO 优化 ›

别再纠结RPKM和TPM了！用R语言5分钟搞定RNA-seq表达矩阵的归一化实战本文详细介绍了RNA-seq表达矩阵归一化的R语言实战方法，帮助生物信息学新手快速掌握RPKM和TPM的选择与应用。通过5个步骤，从原始counts到标准化表达矩阵的完整流程，解决基因长度偏差和测序深度偏差问题，提升数据分析效率。阅读详情

RNA-seq表达矩阵归一化：从原理到实战，彻底搞懂RPKM、TPM与FPKM

刚拿到RNA-seq的原始计数矩阵，看着那一列列的数字，你是不是既兴奋又有点无从下手？兴奋的是，数据就在眼前，仿佛生命的奥秘触手可及；困惑的是，这些原始的“读数”真的能直接用来比较不同基因、不同样本间的表达高低吗？答案是否定的。这就好比比较两个城市的经济规模，你不能只看GDP总量，还得考虑人口基数。在RNA-seq分析中，归一化就是那个帮你剔除“人口基数”影响，让比较变得公平、科学的关键步骤。

对于生物信息学新手来说，RPKM、TPM、FPKM这几个缩写词就像三座绕不开的小山。网上资料不少，但要么过于理论，要么代码片段零散，看完还是不知道在自己的项目里到底该用哪个。这篇文章的目的，就是帮你把这三座小山踏平。我们不只讲公式，更会深入背后的计算逻辑，用R语言手把手带你实现转换，并聚焦于那个最实际的问题：在我的具体场景下，究竟该选择哪一种？ 选错了，后续的差异分析、功能富集都可能建立在偏差之上，这个坑，我们一开始就要避开。

1. 为什么必须归一化？理解原始计数的局限性

在深入具体方法之前，我们必须先达成一个共识：直接从比对工具（如HTSeq、featureCounts）得到的原始计数（Raw Read Counts）本身是有“偏见”的。这种偏见主要来自两个方面，它们像是戴在数据上的两副有色眼镜，不摘掉就没法看清真相。

第一副眼镜：基因长度。 想象两个表达水平完全相同的基因A和B。基因A的转录本长度是2000个碱基，而基因B只有500个碱基。在测序过程中，较长的转录本会被随机打断成更多的片段，因此有更高的概率被捕获并测序。结果就是，基因A的原始计数会天然地比基因B高，但这并不代表基因A表达得更活跃。如果我们直接比较这两个基因的计数，就会严重高估长基因的表达量。

第二副眼镜：测序深度。 比较两个样本时，样本甲总共测了5000万条读段，样本乙只测了2500万条。即使两个样本中某个基因的真实表达量一模一样，样本甲中该基因的计数也大概率会是样本乙的两倍左右。这纯粹是测序投入量不同造成的技术差异，而非生物学差异。不矫正这一点，任何跨样本的比较都会失真。

所以，归一化的核心任务，就是设计一种数学方法，同时或依次摘掉这两副“眼镜”，让数据回归到反映真实生物学状态的尺度上。下面这个简单的R模拟数据，可以直观地展示这种影响：

# 模拟数据：两个基因，两个样本
gene_length <- c(2000, 500) # 基因长度
seq_depth <- c(50e6, 25e6) # 测序深度（单位：百万）
true_expression <- c(100, 100) # 假设真实表达水平相同

# 模拟原始计数（与长度和深度成正比）
raw_counts <- matrix(NA, nrow=2, ncol=2)
rownames(raw_counts) <- c("Gene_Long", "Gene_Short")
colnames(raw_counts) <- c("Sample_Deep", "Sample_Shallow")

for(i in 1:2){
  for(j in 1:2){
    raw_counts[i, j] <- round(true_expression[i] * (gene_length[i]/1000) * (seq_depth[j]/1e6))
  }
}
print("模拟原始计数矩阵：")
print(raw_counts)

运行这段代码，你会发现Gene_Long的计数远高于Gene_Short，且深测序样本的计数也更高。这完美印证了直接使用原始计数的问题。