搞懂geo fpkm，别再拿原始count值瞎搞差异分析了

做生信分析这12年，我见过太多新手被FPKM和TPM搞晕，最后发文章被审稿人怼得体无完肤。这篇文不整虚的，直接告诉你为什么现在几乎没人再用FPKM做组间比较，以及你该换什么指标。如果你还在用FPKM算差异表达，赶紧停下来，别浪费服务器算力了。

先说个大实话，FPKM这玩意儿在2012年左右确实火过一阵子。那时候Illumina测序刚普及，大家为了消除基因长度和测序深度的影响，搞出了这个标准。

听起来很完美对吧？消除长度偏差，消除测序量偏差。

但问题是，它有个致命的逻辑漏洞。

你看啊，FPKM是算出每个样本内部的比例。

这意味着，如果你样本A里有个基因表达量爆表，它占的比例大了，其他所有基因的FPKM值都会被“稀释”变小。

这就是所谓的“相对丰度”陷阱。

当你拿样本A和样本B做对比时，如果两个样本的基因表达谱差异巨大，FPKM就会失真。

简单说，它只能看样本内部谁多谁少，不能跨样本比绝对高低。

我有个学生，去年发文章前用FPKM跑差异，结果被Reviewer指着鼻子骂。

人家问：“你怎么证明你的基因上调不是因为其他基因下调导致的相对增加？”

他哑口无言。

这就是FPKM的硬伤。

现在主流的做法是什么？是TPM，或者更直接的，用DESeq2和edgeR里的原始Count值。

TPM虽然也是比例，但它先算了长度校正，再算比例，逻辑上比FPKM稍微严谨那么一丢丢。

但说实话，对于差异分析，TPM也不是最优解。

最硬核的做法，是直接用原始Count值。

DESeq2和edgeR这些主流工具，底层模型就是基于负二项分布的，它们专门处理Count数据的离散度。

你给它们喂FPKM，它们根本没法准确估计方差。

这就好比你让一个数学家去算一堆已经揉皱了的纸团，不如直接给他一张白纸。

很多老派分析师还抱着FPKM不放，觉得可视化好看。

确实，FPKM的数值范围比较固定，画热图、画火山图看着舒服。

但科学严谨性不能靠“看着舒服”来维持。

如果你只是做聚类分析，或者看表达趋势，TPM勉强能用。

但一旦涉及统计检验，涉及P值，涉及FDR校正，必须用Count。

别偷懒，别为了省事去转换数据。

我在知乎上看过一个高赞回答，说FPKM是“过时的标准”。

这话虽然难听，但理是这个理。

现在的新文章，如果你还在用FPKM做差异分析，编辑大概率会直接拒稿，或者要求重做。

这不仅仅是技术细节问题，这是对你工作严谨性的质疑。

所以，听我一句劝，赶紧把那些陈旧的脚本扔了。

去学学DESeq2的标准化流程，或者edgeR的TMM标准化。

虽然学习曲线有点陡，但为了你的文章能顺利接收，这点功夫值得花。

另外，提醒一下，不同版本的R包或者Python库，对Count的处理可能微调。

一定要看最新的文档，别用三年前的代码跑现在的数据。

技术迭代太快，昨天的真理可能是今天的谬误。

最后总结一句：FPKM已死，Count永生。

别在错误的道路上狂奔，回头是岸，数据才会对你诚实。

希望这篇文能帮你省下几个通宵debug的时间。

如果有不懂的，评论区见，我尽量回。

毕竟，谁还没踩过坑呢？