企业官网建设流程全解析

每次审稿人或者组会看到一张漂亮的火山图，我都会提醒自己：这张图背后最难的往往不是绘图本身，而是"多分组差异分析"这一层。尤其当你面对的不再是"处理组 vs 对照"这种简单二元比较，而是三个、四个甚至更多分组的实验设计时，统计策略和可视化方案必须同时想清楚，否则图再好看，审稿人一句"multiple testing correction是怎么做的"就能让返修变得异常痛苦。

我这一次要聊的，就是怎么为IF=33.2这种级别的高分期刊，把那套多分组差异分析火山图做得既统计严谨、又视觉上挑不出毛病。文章会覆盖最核心的统计策略选择、结果表的整理与阈值设置、三种常见可视化方案、高分期刊的细节打磨，以及我这些年实际操作中踩过的一堆坑。你就当是组里师兄把全套流程给你捋一遍，可以直接抄作业的那种。

1. 多分组差异分析：下笔绘图前先把统计策略定下来

1.1 为什么不能把所有组两两比较一遍再画图

我见过不少人拿到多分组数据的第一反应是：分组有N个，那就两两比较呗，每对比较出一张火山图，最后拼个大图。听起来很直接，但放到高分期刊的审稿人面前，这基本等于送人头。

原因是多层的。首先是最基础的多重检验问题。N个分组意味着 C(N,2) 对比较，4个组就是6对，5个组就是10对。每一对比较里，软件都会对几万个基因做一次独立的假设检验，这本身已经做了多重检验校正；可当你把多对比较的结果放在一起解读时，全局假阳性率是另一回事。你单独看某一对比较里面padj<0.05的基因，确实只有约5%的假阳性风险；但如果你看了6对比较，每对都拎出几百个显著基因，里面有多少是纯噪声？审稿人一定会问。

其次是生物学解释的问题。多分组实验通常背后的科学问题是"处理A和B分别相对于对照改变了什么""A和B的差异是否重叠""有没有基因只在某个处理下响应"。简单罗列两两比较，根本回答不了这些层次的问题。换句话说，你需要一个"全局筛子+局部细节"的组合，而不是一个扁平的比较矩阵。

我给了一个总结性对比，可以帮你快速判断自己需要哪种策略。

1.2 多分组差异分析的三条主流路线

先说第一种，也是我处理多分组表达谱最常用的一条：先做全局检验，再做两两比较。在DESeq2里，全局检验通常用似然比检验（LRT）实现。它的思路是把完整模型~ group和简化模型~ 1做比较，得到的p值回答的问题是：任何一个组之间是否存在差异。这个检验结果把基因分成"全局有变化"和"全局没有变化"两拨，先砍掉一批完全不动如山的基因，再对剩下的基因做两两比较，工作量更小、解释也更干净。

第二种路线是直接做感兴趣的两两比较，但不要做所有组合。绝大多数实验设计里，你真正关心的对比其实很少，比如多个药物浓度处理组，最核心的问题是"每个剂量 vs 对照""最高剂量 vs 最低剂量"，可能加起来就三四对。这时直接构造contrast来跑Wald检验，再配上shrinkage，结果表干净，火山图也少，不用硬凑"全局检验"这种前戏。

第三种路线用于多因素设计。当你的分组不是一维的，而是两个或多个因素交叉而成时，比如"基因型（KO/WT）×处理（给药/不给药）"，模型就要写成~ genotype + treatment + genotype:treatment。这时候主效应和交互项比单纯的组间均值差更有科学意义，差异分析也更应该围绕系数和contrast做，而不是把每个交叉组拉出来做两两比较。

1.3 DESeq2+LRT全局筛选+两两收缩估计的推荐配置

下面这套流程适用于绝大多数多分组转录组数据。核心有三个环节：先把设计矩阵设成分组因子，用LRT做全局筛选，再用Wald检验加lfcShrink做两两比较。注意LRT和Wald需要不同的DESeq对象状态，我建议分开跑，避免之前计算结果被覆盖。

library(DESeq2) # 假设 count_matrix 是基因×样本的表达矩阵 # colData 包含 group 这一列 coldata <- data.frame(row.names = colnames(count_matrix), group = factor(rep(c("Ctrl","TreatA","TreatB"), each = 3))) dds <- DESeqDataSetFromMatrix(countData = count_matrix, colData = coldata, design = ~ group) # 第一步：全局 LRT 检验，看任意组间是否有差异 dds_lrt <- DESeq(dds, test = "LRT", reduced = ~ 1) res_lrt <- results(dds_lrt) table(res_lrt$padj < 0.05) # 全局显著基因数量 # 第二步：Wald 检验 + apeglm 收缩，做两两比较 dds_wald <- DESeq(dds, test = "Wald") res_TA <- lfcShrink(dds_wald, contrast = c("group", "TreatA", "Ctrl"), type = "apeglm") res_TB <- lfcShrink(dds_wald, contrast = c("group", "TreatB", "Ctrl"), type = "apeglm")

我特别强调apeglm收缩这一步，是因为高通量数据里有大量低表达基因，log2FC的方差极大，如果不做收缩，你会得到一堆"倍数变化巨大但统计上不可靠"的假阳性点。apeglm能把这些噪声点的log2FC向0收缩，火山图的形态立刻变得干净，这也更符合高分期刊对可重复性的要求。如果apeglm报错或者不收敛，备选方案是type = "ashr"，作用类似，接口也几乎一样。

有一个细节值得注意：全局LRT显著但两两比较不显著的基因，别丢。这类基因往往是"温和地多组都有变化"的类型，更适合用趋势分析或热图来呈现，而不是硬塞进火山图里当差异基因。

2. 火山图的输入数据与关键参数：阈值怎么定才不翻车

2.1 从差异分析结果表到绘图数据框

火山图的本质就是把差异分析结果表中的两列抽出来：一列是对数倍变化（log2FoldChange），另一列是对数转换后的调整p值（-log10 padj）。但实际绘图前需要做一个很关键的数据清洗动作。

结果表里有三类点是不能直接上图的：padj为NA的（低表达基因被独立过滤剔除）、log2FoldChange为NA或Inf的（某些基因在某个组里计数为0）、以及收缩后被裁掉的极端点。我的习惯是先统一过滤，再加标签列和分组列，组装成一套标准的绘图数据框。下面这个函数可以直接抄。

library(dplyr) make_volcano_df <- function(res_table, comparison_name) { res_table %>% as.data.frame() %>% tibble::rownames_to_column("gene") %>% mutate(comparison = comparison_name) %>% filter(!is.na(padj), !is.na(log2FoldChange), is.finite(log2FoldChange)) }

这里的小心思是：先过滤再处理，不只是为了ggplot不报错，更是为了不让NA点占据图例空间或干扰坐标轴范围。很多新手画出来的火山图坐标轴范围莫名其妙，就是因为有几个Inf点把横轴撑到了极大值。

2.2 倍数变化与显著性阈值的取舍逻辑

阈值的选择是火山图最容易引起争议的地方，也是审稿意见的重灾区。最常规的定义是：上调 = log2FoldChange > 1 且 padj < 0.05；下调 = log2FoldChange < -1 且 padj < 0.05。log2FoldChange = 1 对应表达量差2倍。

但"1和0.05"不是天然真理。我讲一下背后的逻辑：log2FC阈值本质是生物学意义的判断，你要想想你的实验体系里，1.2倍的差异算不算有意义的改变。有些数据集信号很强，可以放宽到0.5；有些组学数据噪声大，反而要用1.5甚至2来卡。padj取0.05还是0.01，则取决于差异基因数量和后续实验验证成本。如果按0.05筛选只剩下20个基因，而你下游还要做GO/KEGG富集，我建议放宽到0.1，或者把log2FC卡松一点。

我的经验是：审稿人更在意你是否清楚说明阈值依据，而不是阈值本身大小。所以不管选什么，图注里必须写清"the threshold were set as |log2FC| > 1 and padj < 0.05"这类话。

2.3 坐标轴设计里的三个坑

纵轴的坑最大。padj能达到1e-300甚至更小，直接取-log10后，纵轴上限可能到300，而绝大多数点集中在0到10这个区间，整张图会变成"贴着X轴的饼"。高分期刊的常见做法是：坐标轴设一个合理的显示上限（比如8或10），超出部分用点或者箭头向上集中表示。在ggplot里可以用coord_cartesian(ylim = c(0, 30))截断，而不是用scale_y_continuous(limits=...)去删点。

横轴的坑是对称性。如果处理组里下调很强（log2FC最低到-6），上调很弱（最高只有2），直接画会让左边看起来很夸张。我的建议是让横轴关于0对称，可用limits = c(-max(abs(log2FC)), max(abs(log2FC)))自动算。对称轴能避免读者误判上下调数量。

第三个坑是阈值线的位置。geom_hline(yintercept = -log10(0.05))时，-log10(0.05)约等于1.301；xintercept = c(-1, 1)时，别忘了你的阈值是绝对值。我见过有人拿"1.301"算成横线的位置，结果画到纵轴13去了，那显然不是同一个数值体系。

3. 多分组火山图三种可视化方案与R代码实现

3.1 方案一：分面火山图，最适合多组比较

多分组数据最保守、最不容易被形式主义审稿人挑刺的展示方式，就是每个比较组一个面板，用facet并排。它有两个天然优势：一是每个面板独立保持完整的点云形态，组间信息不互相干扰；二是可以在所有面板里保持相同的坐标尺度，直接视觉比较各组间的差异强度。

具体来说，每个面板一张火山图，面板标题写清楚比较对象，例如"TreatA vs Ctrl"和"TreatB vs Ctrl"。分面之后，我通常会在每个面板里标注自己最关心的基因。代码模板如下。

library(ggplot2) library(ggrepel) # 合并多个比较的数据框 volcano_data <- bind_rows( make_volcano_df(res_TA, "TreatA vs Ctrl"), make_volcano_df(res_TB, "TreatB vs Ctrl") ) volcano_data <- volcano_data %>% mutate(regulation = case_when( log2FoldChange > 1 & padj < 0.05 ~ "Up", log2FoldChange < -1 & padj < 0.05 ~ "Down", TRUE ~ "NS" )) # 每个面板内取padj最显著的前8个差异基因做标注 label_data <- volcano_data %>% filter(regulation != "NS") %>% group_by(comparison) %>% slice_min(padj, n = 8) p <- ggplot(volcano_data, aes(x = log2FoldChange, y = -log10(padj))) + geom_point(aes(color = regulation), size = 1.2, alpha = 0.7) + facet_wrap(~ comparison, ncol = 2, scales = "fixed") + scale_color_manual(values = c(Down = "#2166AC", NS = "#BDBDBD", Up = "#B2182B")) + geom_hline(yintercept = -log10(0.05), linetype = "dashed") + geom_vline(xintercept = c(-1, 1), linetype = "dashed") + geom_text_repel(data = label_data, aes(label = gene), size = 2.8, max.overlaps = 10, box.padding = 0.4) + theme_bw(base_size = 10) + theme(panel.grid = element_blank())

这里scales = "fixed"是故意设置的，目的是让两个面板共享同样的坐标轴，视觉上可以直接比较：如果TreatB的火山图明显"凝缩"在原点附近，说明它的转录组响应更弱。

3.2 方案二：单图多色叠加，适合比较组少的场景

如果只有2到3对比较，你可以不拆面板，而是把不同比较组的点叠加在同一个坐标系里。这个方案的视觉冲击力更强，也能直观展示"某个基因在哪个比较里显著"的共享关系。

具体做法是：保持横轴和纵轴不变，用颜色区分比较组，再用不同的形状或透明度区分上下调。听起来简单，但要防止一个经典翻车事故：多个组都显著的点颜色会叠加变浑浊，所以alpha一定不能太高，我一般用0.5。

# 只保留显著基因，非显著基因用浅灰色画一小块作为底衬 nonsig <- volcano_data %>% filter(regulation == "NS") sig <- volcano_data %>% filter(regulation != "NS") ggplot() + geom_point(data = nonsig, aes(x = log2FoldChange, y = -log10(padj)), color = "#D9D9D9", size = 0.8) + geom_point(data = sig, aes(x = log2FoldChange, y = -log10(padj), color = interaction(comparison, regulation)), size = 1.5, alpha = 0.6) + scale_color_manual(values = c( "TreatA_vs_Ctrl.Up" = "#D55E00", "TreatA_vs_Ctrl.Down" = "#0072B2", "TreatB_vs_Ctrl.Up" = "#F0E442", "TreatB_vs_Ctrl.Down" = "#CC79A7" )) + coord_cartesian(ylim = c(0, 30))

单图叠加的前提是组间log2FC和padj的范围不能差太多，否则信号弱的组完全被强的组遮住。如果你的数据集里有一个处理组响应特别剧烈，我建议老老实实回到分面方案。

3.3 方案三：差异矩阵/热图+火山图组合排版

高分文章里的多分组火山图很少孤立存在，常用套路是"全局概览+局部细节"的组合版面。比如用一个UpSet图或Venn图展示不同比较组之间差异基因的重叠关系，旁边放一对关键比较的火山图。这样读者先看到"有多少基因在处理A和B中都被影响"，再看到"具体每个比较的效应量和显著性"，逻辑非常清晰。

我是用patchwork包来拼图的。左侧放UpSet或热图，右侧放两到三个火山图面板，整体宽度控制在双栏宽度内。如果你用DESeq2的LRT筛出了全局显著基因，还会额外有一种组合玩法：火山图只画LRT显著的基因，不显著的基因用灰色小点垫底，这样不同面板之间会选择性地展示"具有全局差异潜力的基因"在不同比较里的表现，信息密度极高。

3.4 一个可直接跑的完整模拟示例

为了让你能完整跑通，我准备了一个模拟数据的小例子。它模拟了3组（Ctrl、TreatA、TreatB），每组3个生物学重复，共3000个基因，其中一批基因在TreatA中上调，另一批在TreatB中下调。

set.seed(123) n_genes <- 3000 n_samples <- 9 counts <- matrix(rnbinom(n_genes * n_samples, mu = 80, size = 0.4), nrow = n_genes, ncol = n_samples) rownames(counts) <- paste0("Gene", sprintf("%04d", 1:n_genes)) colnames(counts) <- paste0("Sample", 1:n_samples) # 人为引入差异 counts[1:150, 4:6] <- counts[1:150, 4:6] * 10 # TreatA 高表达 counts[151:250, 7:9] <- counts[151:250, 7:9] * 0.1 # TreatB 低表达

然后运行上一节给的DESeq2流程，生成res_TA和res_TB，再直接跑3.1的分面火山图代码。整个过程大概就十多行，模拟数据跑出来应该能看到两组火山图呈现出完全不同的偏移模式：TreatA面板右上角有密集红色点，TreatB面板左上角有密集蓝色点，非常适合拿来练手。

4. 高分期刊里火山图的细节打磨：从"能用"到"好看且规范"

4.1 配色不只是审美问题

每次看到有人用红绿配色画火山图，我心里都咯噔一下。红绿色差对红绿色盲读者几乎是不可见的，这在投稿层面属于硬伤。高分期刊由于读者群体更大更国际化，对图像的可访问性检查越来越严格。我的首选配色是蓝色-灰色-红色系：下调用 #2166AC（深蓝），不显著用 #BDBDBD（浅灰），上调用 #B2182B（深红）。这个组合在黑白打印时也有区分度，且对色弱人群友好。

还有一个容易被忽略的细节：点的大小。如果基因数超过2万，不能用大点硬叠，否则中心区域会糊成一团黑色。我一般把点大小控制在1到1.5，透明度0.5到0.7。点太少或太稀的时候再适当放大。

4.2 基因标注的艺术

高分文章的火山图不会把几千个显著基因全标上名字，那只会让图变成一锅粥。标注的原则是：标注你知道要讲故事的基因，而不是标注统计上最极端的基因。审稿人看到图上标了几个自己关心的通路基因，会觉得作者有生物学判断；看到标了一堆"log2FC最大"的基因，反而会觉得作者不假思索。

具体操作上，我通常手动维护一个候选基因列表，再用geom_text_repel只标注它们。如果没有预设列表，可以退而求其次：在每个面板里按padj排序，取前10个显著基因标注。但这时候我会在方法部分写上"the top 10 significant genes were labeled"，避免被质疑选择性展示。

标注数量我习惯控制在每面板8到15个之间。超过15个标签就会开始打架，就算ggrepel能推开，读者也容易看串行。同时给标签设一个max.overlaps参数，防止ggrepel在老版本里无限循环。

4.3 导出格式、尺寸与字体规范

高分期刊对图片格式的要求通常写在作者须知里，但大体逃不出这几条：优先矢量图（PDF或SVG），位图必须300dpi以上，色彩模式CMYK可选。我的习惯是直接ggsave出PDF，再附带一张600dpi的TIFF预览，这样在线投稿和线下评审都能覆盖。

尺寸方面，单栏图宽约85到90mm，双栏图宽约180到190mm。我用R出图时习惯用英寸：单栏width = 3.5, height = 3，双栏width = 7, height = 5。一个常见的错误是把分面火山图的列数设成与面板数相等，导致整体宽高比例失衡。三到四个比较组分两列排，比一行四列要好看得多。

字体是个小细节但很影响观感。ggplot2默认的Arial或Helvetica在期刊排版里通常没问题，但你要注意字体大小：轴标签和标题的字号不要小于7pt，主图区至少9pt。太小的字在印刷后完全看不清，审稿人会觉得图做得粗糙。

4.4 图例与统计注释的完整性

最后一条关于完整性的清单，可以用来自查：图里有没有说明上下调的定义标准？如果没有在正文说明，必须在图注里写清楚。图例里Up/Down/NS三种类别的颜色是否有对照说明？纵轴是-log10(padj)、横轴是log2FoldChange，轴标签写全了吗？阈值线是0.05还是0.01，虚线旁边是否需要数值标注？

我建议把差异分析参数集中写在一个图表标题下，例如 "Volcano plots of differentially expressed genes. Dashed lines indicate |log2FC| = 1 and padj = 0.05. Up: red; Down: blue."。这句话看起来只是例行公事，但真有一个审稿人专门挑我图注没写阈值，所以我现在一律先写为敬。

5. 常见问题与排查技巧实录

5.1 火山图全是灰点，几乎看不到显著点

这大概是多分组差异分析里最让人崩溃的画面。原因通常是三种：第一，阈值定得太严，比如在数据量很小的实验里强行用padj<0.05加|log2FC|>2，自然筛不出几个；第二，你画的其实是某个处理组相对另一个处理组，而那两组本身转录谱就很相似，差异本来就小；第三，你的数据用了错误的标准化方法，比如直接对count做log2然后就拿来做图，根本就没做差异分析。

排查思路是回到结果表去看summary(res)输出的数字：显著基因到底有多少个，区间分布如何。如果summary显示几百个显著基因但图上没点，多半是你的过滤条件把坐标轴范围带偏了；如果summary本身就显示"0 padj<0.05"，那是统计策略或数据质量的问题，不是绘图问题。

5.2 大量NA与inf点导致坐标轴异常

不加过滤直接画图的典型症状是横轴范围到了几百，纵轴范围到了几百，图中只有稀稀拉拉几个点。这就是Inf和NA在作怪。我的处理最早提到过，统一走make_volcano_df的过滤流程。还有一个坑是DESeq2对某些低 counts 基因会输出log2FoldChange很大但padj为NA，如果不过滤，它们就会以"异常巨大的点"身份出现在图上，影响所有点的视觉分布。

5.3 分面图坐标轴混乱，无法跨面板比较

分面时没写scales = "fixed"，ggplot会默认让每个面板的坐标轴范围独立自适应，这在某些场景是优点，但在多分组火山图里是个坑。因为你要让读者跨面板比较效应量，坐标轴不一致会让比较失真。反过来，如果各组范围差异太大，固定坐标轴后某个面板几乎全被压缩到原点，这时候我宁可放宽到scales = "free_y"，同时在图注里注明这一点。

5.4 标签重叠与ggrepel包冲突

geom_text_repel是一个好用但偶尔闹脾气的函数。常见问题有三个：标签数量太多导致排版极慢；max.overlaps参数过低导致大部分标签消失；在循环里多次调用ggrepel导致R会话崩溃。我的建议是先裁好标签数量（≤15），再逐面板作图，并把seed参数固定下来，比如seed = 42，这样每次跑出的标签位置一致，不会今天一个样明天一个样。

5.5 apeglm收缩估计报错

第一步跑lfcShrink时报错"model matrix is not full rank"或收敛警告，通常跟数据设计有关。备选方案是改用ashr：type = "ashr"。它不需要估计离散度参数，速度稍慢但对复杂设计更宽容。使用方法完全一致。

最后一个实用提醒：多分组差异分析火山图的复现性，比单组比较重要得多。高分期刊的审稿人现在越来越关注代码可复现性，所以请务必把你用的DESeq2版本、lfcShrink的type、随机数种子都写进方法部分。建议所有分析从一个R脚本文件跑到尾，不要手动改中间步骤。

关于多分组火山图，我目前最深的体会是：统计策略决定图有没有资格存在，可视化细节决定图好不好看。你先想清楚全局检验和两两比较的层级，再谈配色、标签和导出；千万不要一上来就把所有组两两拉一遍，那不是省事，是给自己后面补分析埋坑。