表达矩阵与分组表整理规范

跟完这篇，您能把手头的数据整理成两张对得上的表——一张表达矩阵、一张分组表，直接喂给差异分析，而不再为「样本名对不上」返工。

差异分析（比如 DESeq2）其实只认两样东西：一张放数值的表达矩阵，一张说明分组的分组表。把这两张表做规范，后面九成的报错都不会发生。本篇按顺序带您把它们整理到位，每一步都给出可以照抄核对的 R 代码。

先分清两张表的分工

动手前，先记住两张表各管一件事：

文件	管什么	一句话
表达矩阵	每个基因在每个样本里的数值	行是基因，列是样本
分组表	每个样本属于哪一组、扮演什么角色	一行一个样本

两张表通过样本名这一把钥匙连起来：矩阵的列名，要和分组表里的样本名一一对上。整理的全部功夫，基本都花在「让这把钥匙严丝合缝」上。

整理表达矩阵

表达矩阵就是一张二维表：行是基因（或其他特征），列是样本，每个格子放一个表达量数值。第一列是基因 ID，第一行是样本名。

一个 3 行 3 列的示意（真实数据往往上万行）：

gene_id	Sample_1	Sample_2	Sample_3
ENSG00000141510	1204	1187	985
ENSG00000012048	302	45	388
ENSG00000133703	5567	5321	6012

几条容易忽略的点：

1. 第一列是基因 ID，作为行名；剩下每一列对应一个样本。
2. 数值列只放数字，别混进单位、备注或全角符号，否则整列会被当成文本。
3. 缺失值统一留空或写 NA，不要「-」「/」「未测」各写各的。
4. 差异分析通常要原始 count（未归一化的整数），别先算成 TPM 再传。count、CPM、TPM 各用在什么场景，见表达量单位怎么选。

读进 R 核对一下形状，是个好习惯：

counts <- read.csv("counts.csv", row.names = 1, check.names = FALSE)
dim(counts)          # 看行数（基因数）和列数（样本数）
head(counts[, 1:3])  # 瞄一眼前几行几列

check.names = FALSE 很关键：不加的话，R 会把 Sample-1 这类列名偷偷改成 Sample.1，之后就和分组表对不上了。

顺带提醒一个老坑：别让 Excel 改坏基因名。 Excel 打开 CSV 时，会把 SEPT2、MARCH1、DEC1 这类基因 Symbol 自动变成日期，把 ENSG00000141510 这种长数字变成科学计数法，存回去就永久坏了。对策很简单：全程用纯文本格式（CSV/TSV，UTF-8 编码）读写，尽量不拿 Excel 中转；非要在表格软件里看，也要把基因 ID 列先设成「文本」再打开。

用稳定 ID 当行名，并去掉重复

第一列的基因 ID，建议用 Ensembl ID（如 ENSG00000141510）当主键，而不是基因 Symbol（如 TP53）。

原因很直接：Symbol 会随版本更名、存在别名，还常出现多个写法指向同一个基因；Ensembl ID 稳定、唯一，机器读起来没有歧义。手头只有 Symbol 也能用，但更稳妥的做法是转成 Ensembl ID 当主键，Symbol 另留一列做人看的备注。ID 之间怎么转换、注意哪些坑，见基因 ID 转换。

**去重要在设行名之前做。**做完 ID 转换，常会碰到同一个 ID 占了好几行（多探针、多转录本映射到同一基因）。行名不允许重复，所以要先在「gene_id 还是普通一列」的状态下去重，再把它设成行名。一个被广泛采用的惯例是：同一个基因保留平均表达最高的那一行（这是常用做法、不是铁律，按数据和目的也可换成求和或取中位数）。

library(dplyr)

# 此时 counts 里 gene_id 是普通的一列（刚做完 ID 转换，可能有重复）
counts <- counts %>%
  mutate(.avg = rowMeans(across(where(is.numeric)))) %>%  # 算出每行的平均表达
  arrange(desc(.avg)) %>%                                 # 平均高的排前面
  distinct(gene_id, .keep_all = TRUE) %>%                 # 每个 ID 只留第一行（即平均最高的一行）
  select(-.avg)

rownames(counts) <- counts$gene_id   # 去重后再把 ID 设成行名
counts$gene_id <- NULL

去重后再确认一次没有重复：

any(duplicated(rownames(counts)))    # 应为 FALSE

如果您更习惯直接对重复项取平均，limma::avereps() 也能一行完成，只是它是「求平均」而非「保留最高」，含义略有不同，按需要选一种即可。

整理分组表

分组表告诉工具每个样本属于哪一组。最省事的写法是两列起步、协变量各占一列：

• sample：样本名，必须和表达矩阵的列名完全一致。
• group：这个样本的分组，比如 tumor / normal、treat / control。
• 协变量列（可选）：批次、性别这类需要在模型里校正的因素，各占一列，如 batch、sex。

示意：

sample	group	batch
Sample_1	tumor	b1
Sample_2	tumor	b2
Sample_3	normal	b1

三个细节：

1. 同一组的 group 值要写得一模一样——tumor 和 Tumor 会被当成两组。
2. 一行只写一个样本，一列只放一种信息；批次、性别别塞进样本名里，各开一列。
3. **谁做参照要心里有数。**差异分析里 log2FC 的正负，取决于哪一组被当成参照（比如「tumor 相对 normal」）。在 R 里把参照组设成因子的第一个水平，方向就固定了：

meta$group <- factor(meta$group, levels = c("normal", "tumor"))
# 上面把 normal 设为参照，结果里的 log2FC 就是「tumor 相对 normal」

这一步怎么接进 DESeq2 的 design，见差异分析（DESeq2）。

让两张表对齐

**样本名一一对应，是差异分析里最常见的报错来源。**分组表的 sample，要和表达矩阵的列名一个不多、一个不少地对上。用几行 R 代码就能查清楚：

meta <- read.csv("meta.csv", check.names = FALSE)

# 谁在矩阵里、不在分组表里
setdiff(colnames(counts), meta$sample)
# 谁在分组表里、不在矩阵里
setdiff(meta$sample, colnames(counts))

两行结果都返回 character(0)，才说明名字集合完全一致。常见对不上的原因：

现象	多半是因为
大小写不同	Sample_1 与 sample_1
分隔符不同	Sample_1 与 Sample-1、Sample.1
多余空格	Sample_1 末尾带了一个空格
少写或多写	某个样本忘了写进分组表，或写了矩阵里没有的样本

名字集合一致后，还要让顺序也一致——DESeq2 等工具默认矩阵的列顺序和分组表的行顺序一一对应，顺序错了，分组就贴错了：

counts <- counts[, meta$sample]              # 按分组表顺序重排矩阵的列
all(colnames(counts) == meta$sample)         # 应为 TRUE

这一步返回 TRUE，两张表就正式对齐了，可以进差异分析。

上传前自查清单

动手跑分析前，花一分钟对照这张单子过一遍：

1. 矩阵：行是基因、列是样本，第一列是基因 ID。
2. 主键：用 Ensembl ID，行名无重复（any(duplicated(...)) 为 FALSE）。
3. 数值：差异分析用原始 count，数值列里只有数字，没被 Excel 改坏。
4. 分组表：sample / group 两列齐全，同组 group 值写法统一，参照组已定。
5. 对齐：两张表样本名集合相同、顺序一致（上面两段代码都通过）。

这五条都打勾，基本就告别了整理阶段的返工。

在平台上跑一遍

在百沐一下上做这一步不用写代码：把表达矩阵和分组表两个文件传上去，用一句话说清您想比哪两组、谁做参照，平台会自动核对样本名、把对不上的地方标出来给您确认，再往下接差异分析。各类文件的格式与整理要求见上传数据的格式要求，或直接到 app.baimuyixia.com 传一份数据试试识别是否顺利。

相关

• 表达量单位怎么选
• 基因 ID 转换
• 差异分析（DESeq2）
• GEO 数据下载