对于分析RNA测序数据的生物学家来说，在edgeR和DESeq2,,两种最广泛用于差异基因表达分析的工具,,之间做选择，往往只是个人偏好或机构习惯问题。一项发表在《PLOS ONE》上的新研究表明，这一选择比许多研究人员认为的更为重要。
这项由Mostafa Rezapour领导的研究评估了edgeR（v4.4.2）和DESeq2（v1.46.0）的当前实现，使用了涵盖病毒感染、细菌感染和纤维化肺病的多样化真实批量RNA-seq数据集，涉及人类和非人类灵长类系统。
测量内容
评估框架涵盖四个维度：对样本量的敏感性和对异常值扰动的稳健性；每个工具独特识别基因的分类性能；富集生物学过程的通路水平一致性；以及跨独立数据集的跨研究泛化能力。
在跨研究分析中，研究使用了四个独立的SARS-CoV-2数据集来测试每个工具在一个数据集中识别的基因集能否在保留的数据集中区分疾病样本和对照样本。
结果
在敏感性和稳健性方面，两个工具表现相似。来自扰动数据和原始数据的差异表达基因（DEG）集之间的Jaccard相似度随着添加更多异常值而下降，两种方法的下降速率相当。
差异出现在分类性能和泛化能力上。基于工具特异性基因训练的分类模型显示，edgeR在13个对比中的9个中获得了更高的F1分数，并且更频繁地达到完美或接近完美的精确度。Dolan-More性能曲线表明，edgeR在更大比例的数据集中保持了接近最优的性能。
在跨研究验证中，差异非常显著。edgeR独特识别的基因集在对保留的SARS-CoV-2数据集样本进行分类时产生了更高的AUC、精确度和召回率,,这一模式在各折中一致，某些测试案例使用edgeR特异性基因实现了完美分离。DESeq2特异性基因在不同研究中的表现较低且变异性更大。
然而，即使在严格的显著性阈值下，DESeq2总体上识别了更多的DEG。作者总结说，这种权衡在于发现敏感性和可重复性之间。
这对研究人员意味着什么
“差异表达分析中的一个关键问题不仅是哪个工具识别了更多的基因，而是哪个工具识别了更稳定、生物学上可解释且跨研究可转移的基因集，”Rezapour写道。
研究结果表明，对于生物标志物发现、临床转录组学或任何跨研究可重复性至关重要的应用，尽管edgeR识别出的候选基因较少，但它可能是更可靠的选择。对于优先考虑最大化发现的探索性研究，DESeq2更广泛的基因检测可能更可取,,但应认识到其中一些基因可能无法在独立数据集中复现，并据此解释结果。
该研究还测试了将两个工具的结果取交集作为验证策略的常见做法。分析发现，这种方法在不必然提高稳健性的情况下降低了敏感性，因为两个工具共享相同的核心统计基础,,负二项广义线性模型,,且它们的分歧往往集中在边界信号附近。
“避免将两个工具的结果取交集并称之为验证，”作者建议。”使用诊断方法并验证生物学。”
来源
Rezapour M.《工具选择很重要：评估edgeR与DESeq2的敏感性、稳健性和跨研究性能》PLOS ONE (2026). DOI：10.1371/journal.pone.0353788
婷 翻译