基因表达定量

基因表达定量是测定特定基因在特定时空条件下所产生RNA或蛋白质数量的实验与计算过程。中心法则表明，DNA经转录生成信使RNA（mRNA），再翻译为蛋白质，因此定量可在转录本或蛋白质水平进行。其中，转录水平定量因技术成熟、动态范围宽而成为主流。基因表达并非恒定，而是受启动子活性、增强子、染色质状态、转录因子及非编码RNA等多层调控，呈现显著的细胞类型特异性和时间依赖性。定量结果通常以每百万映射读长中某基因的读数（RPKM/FPKM）、每百万转录本数（TPM）或每细胞转录本数（CPM）表示，绝对定量则力求获得每微升或每细胞中目标分子的拷贝数。

基因表达定量技术经历了从低通量到高通量、从群体平均到单细胞与空间分辨的演进。早期方法包括Northern印迹、核糖核酸酶保护分析和原位杂交，它们能提供转录本大小与组织定位信息，但通量低、灵敏度有限。20世纪90年代发展的实时定量PCR（qPCR）通过荧光信号实时监测扩增，实现高灵敏度、宽动态范围的相对或绝对定量，至今仍是验证低通量靶标的金标准。微阵列技术将数千个探针固定于芯片，通过杂交荧光强度并行比较样本间表达差异，但其背景噪声和跨平台可比性受限。进入21世纪，RNA测序（RNA-seq）成为主流：提取RNA后逆转录、片段化、连接测序接头，经高通量测序获得数百万条短读长，再通过比对或从头组装计算各基因或转录本的读数。RNA-seq可检测可变剪接、等位基因特异表达和融合基因，动态范围达五个数量级以上。近年来，单细胞RNA测序（scRNA-seq）和单核RNA测序（snRNA-seq）实现了细胞异质性解析；空间转录组则保留组织原位坐标，将表达定量与形态学关联。数字PCR（dPCR）通过微滴分割与泊松统计实现绝对定量，不依赖标准曲线，适合低丰度靶标和拷贝数变异分析。长读长测序平台（如PacBio和Oxford Nanopore）可直接读取全长转录本，改善异构体定量准确性。

准确的基因表达定量始于严谨的实验设计。生物学重复与技术重复必须充分，以控制个体差异和批次效应。RNA质量（如RIN值）直接影响定量结果，降解样本会引入3'偏好性。逆转录效率、扩增效率及引物特异性是qPCR定量的关键参数，标准曲线法要求扩增效率在90%–110%之间。对于相对定量，内参基因（如GAPDH、ACTB、18S rRNA）需在实验条件下表达稳定，但越来越多研究表明这些经典内参在特定处理下会波动，因此推荐使用多个内参基因并通过geNorm、NormFinder等算法筛选最稳定的组合。RNA-seq中，标准化方法包括RPKM、FPKM、TPM和DESeq2的median-of-ratios法，前者便于跨基因比较，后者适合差异表达分析。绝对定量则需引入已知拷贝数的外源RNA（如ERCC spike-in）或采用数字PCR。

高通量表达定量的数据分析涵盖质控、比对、计数、标准化和差异分析。质控工具如FastQC评估碱基质量与接头污染；比对工具（STAR、HISAT2）将读长映射至参考基因组；计数工具（featureCounts、HTSeq）生成基因水平计数矩阵。标准化是消除测序深度和基因长度偏差的核心步骤：TPM先按基因长度归一化再按总转录本数缩放，使样本内各基因TPM总和一致；DESeq2和edgeR则基于负二项分布模型，通过内部估计的尺寸因子校正文库大小。差异表达分析需考虑多重检验校正（如Benjamini-Hochberg FDR），并辅以效应量（log2 fold change）和生物学重复的离散度。单细胞数据还需处理稀疏性、批次整合（Harmony、Seurat CCA）和细胞类型注释。空间数据则面临斑点混合表达的解卷积问题，常用算法包括SPOTlight和RCTD。

基因表达定量已渗透至生命科学与医学各领域。在肿瘤学中，定量表达谱用于分子分型、预后标志物筛选和免疫微环境评估；在药物研发中，它支撑药效标志物发现、毒理基因组学和机制验证；在发育生物学中，单细胞时空图谱揭示了细胞命运决定与器官发生的转录动态；在农业中，表达定量辅助作物抗逆育种和杂种优势解析；在临床诊断中，qPCR和数字PCR用于病毒载量监测、融合基因检测和微小残留病灶评估。前沿方向包括：单分子实时测序实现无需扩增的绝对定量；多组学整合将转录组与蛋白质组、代谢组关联；空间多组学在亚细胞分辨率解析表达异质性；人工智能方法用于表达预测、批次校正和调控网络推断。此外，游离RNA和外泌体RNA的定量正成为液体活检的新兴方向。

尽管技术飞速发展，基因表达定量仍面临诸多挑战。样本异质性、RNA降解、逆转录偏好性和PCR偏倚均可引入误差。跨平台、跨实验室的可重复性要求国际标准，如MIQE指南对qPCR实验报告提出最低信息要求，ENCODE和MAQC项目则评估了不同平台的重复性与一致性。单细胞数据中的dropout事件和双细胞率影响定量准确性；空间转录组的分辨率与捕获效率仍需提升。未来，绝对定量标准品、内参RNA联盟和计算去偏算法的进步将推动基因表达定量走向更精准、可重复和临床可转化的新阶段。

• Bustin SA, et al. The MIQE guidelines: minimum information for publication of quantitative real-time PCR experiments. Clin Chem. 2009;55(4):611-622.
• Mortazavi A, Williams BA, McCue K, Schaeffer L, Wold B. Mapping and quantifying mammalian transcriptomes by RNA-Seq. Nat Methods. 2008;5(7):621-628.
• Conesa A, Madrigal P, Tarazona S, et al. A survey of best practices for RNA-seq data analysis. Genome Biol. 2016;17:13.
• Love MI, Huber W, Anders S. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biol. 2014;15(12):550.
• Ståhl PL, Salmén F, Vickovic S, et al. Visualization and analysis of gene expression in tissue sections by spatial transcriptomics. Science. 2016;353(6294):78-82.
• Zheng GX, Terry JM, Belgrader P, et al. Massively parallel digital transcriptional profiling of single cells. Nat Commun. 2017;8:14049.
• Vandesompele J, De Preter K, Pattyn F, et al. Accurate normalization of real-time quantitative RT-PCR data by geometric averaging of multiple internal control genes. Genome Biol. 2002;3(7):RESEARCH0034.
• SEQC/MAQC-III Consortium. A comprehensive assessment of RNA-seq accuracy, reproducibility and information content by the Sequencing Quality Control Consortium. Nat Biotechnol. 2014;32(9):903-914.