转录组分析需要哪些仪器

『壹』 DNA实验室有哪些标准的仪器设备配置

一般来说，需要一台高通量的基因分析仪，两台PCR扩增仪，一台纯水仪、一台DNA纯化仪，以及离心机、保温仪、振荡器、生物安全柜、移液器、冰箱等若干，您也可以根据实验室的大小和自己的需求增加别的仪器。建议您不太了解的话，可以先找CEIDI西递咨询一下，我们之前做实验室时这家公司给了我们很多专业的意见，挺靠谱的。

『贰』 western blot实验都需要哪些仪器

western blot实验都需要的基础仪器有： 电泳仪，制胶板，电泳槽，湿转的转膜槽或者半干转仪，脱色摇床，暗室，X光片，红外灯，成像仪，一些基础耗材和试剂等 基本上生化实验室要做western blot还是很容易的

『叁』 生化实验室常用的分析仪器都有哪些

细胞生物学以及分子生物学实验室常用仪器设备有：
烘箱、高压灭菌器、二氧化碳培养箱、生物安全柜、低温保存箱、分析天平、普通天平、移液器、离心机、倒置显微镜、PCR仪、电泳仪、脱色摇床等。
而微生物实验室常用仪器设备有：
恒温培养箱、霉菌培养箱、生化培养箱、超净工作台、高压灭菌器、烘箱、加热板、电炉、分析天平、普通天平、磁力搅拌器、水浴锅、摇床、离心机、低温保存箱、移液器、PH计、分光光度计、光学显微镜、扫描显微镜、均质器等。
组织培养实验室常用仪器有：
高压灭菌器、烘箱、摇床、光照培养箱、人工气候培养箱、分析天平、普通天平、超净工作台等。

而从实验室工作流程来看，则分为样品保存、样品前处理、培养过程、观察分析等。在不同的工作环节则需要不同的仪器。一般来说，样品保存常用仪器有冰箱/超低温冰箱、液氮罐等。样品前处理常用仪器有移液器、天平、均质/搅拌系列、离心机、冻干机、高压灭菌器以及电泳仪等。

在培养过程常用实验室仪器有培养箱系列、生物安全柜/超净工作台、发酵罐、摇床、水浴、转瓶机、PCR仪、酶标仪等。观察分析时常用仪器有显微镜、菌落计数仪、流式细胞仪、DNA测序仪、高效色谱系列等。在生物实验室中还可能会用到洗瓶机、超纯水系列、超声波清洗机等仪器。
简单介绍下几款仪器设备的作用：
显微镜： 用于放大微小物体成为人的肉眼所能看到的仪器
电子秤：是用来对货物进行称重的自动化称重设备,通过传感器的力电转换,经称重仪表处理来完成对货物的计量,适用于各种散货的计量。
离心机： 该机适用于生物,化学,遗传学,医药学,医院,实验室对学业,生物体,叶绿素,蛋白核酸等液体混合物的分离。
电子天平： 是实验室分析或质量控制所必须的仪器,具有称量大,精度高,在较差使用环境下亦可达到精密称量的要求。
干燥箱 ：是一种常用的实验室仪器设备,主要用来干燥样品,也可以提供实验所需的温度环境。
实验室其它的辅助器材：
1、吸滤瓶、布氏漏斗2、三脚架 3.混三角 4、铁夹5、铁环 6、铁架台7、洗瓶 8、试管架
9、锥形瓶 10、量筒11、漏斗 12、烧杯 13、滴瓶14、表面皿 15、细口瓶 16、药勺 17、称量瓶 18、干燥器 19、广口瓶 20、石棉网2l、蒸发皿 22、毛刷23、滴管 24、研钵25,试管夹 等等
不明白的可以问我，希望对你有些用处

『肆』 转录组分析(3) - 质量控制

现在的NGS测序，以illumina为首基本都是运用 边合成边测序 的技术。碱基的合成依靠的是化学反应，这使得碱基链可以不断地从5'端一直往3'端合成并延伸下去。 但在这个合成的过程中随着合成链的增长，DNA聚合酶的效率会不断下降，特异性也开始变差，这就会带来一个问题——越到后面碱基合成的错误率就会越高 ；有时候测序仪在刚开始进行合成反应的时候也会由于反应还不够稳定，同样会带来质量值的波动。由于测序数据的质量好坏会影响我们的下游分析，所以在开始进行下游分析之前，对数据的质量有一个准确的认知是非常有必要的。

命令比较简单，这里 唯一值得注意的地方就是 -o 参数用于指定FastQC报告的输出目录 ，这个目录需要事先创建好，如果不指定特定的目录，那么FastQC的结果会默认输出到文件untreated.fq的同一个目录下。它输出结果只有两个，一个html和一个.zip压缩包。

关于测序数据的质量，我们一般关注以下几个方面：(1) read各个位置的碱基质量值分布；(2) 碱基的总体质量值分布；(3)read各个位置上碱基分布比例，目的是为了分析碱基的分离程度；(4) GC含量分布；(5) read各位置的N含量；(6) read是否还包含测序的接头序列；(7)read重复率，这个是实验的扩增过程所引入的。其中主要指标为碱基质量与含量分布，如果这两项不合格，其余都会受到影响。

Filename, 质控文件名；Encoding, 测序平台；Total Sequences, reads数量；Sequence Length, reads长度；%GC, GC含量

此图中的横轴是read上碱基的位置，纵轴是质量得分，Q = -10*log10（error P）即20表示0.01的错误率，30表示0.001，图中红线表示中值，蓝色的细线是各个位置的平均值的连线。 Warning 警告：如果任何碱基质量低于10,或者是任何中位数低于25； Failure 不合格：如果任何碱基质量低于5,或者是任何中位数低于20。
好的测序结果中，大部分质量值的分布都在大于30的绿色背景的区域，表明质量值很高，而且波动很小，说明质量很稳定。差的测序结果中，质量值的分布都在小于20的红色背景的区域，表明质量值很差，有大量的质量差的reads，并且波动很大，对于这种结果，最好重新测序，如果实在要用于分析，应该将这些低质量的reads过滤掉以后进行下游分析。

该图横轴Q值，纵轴是每个值对应的reads数目。reads的质量值是指该条read每个位置Q值的平均值。只要大部分read的质量都高于20，那么就比较正常。一般来说，对于二代测序， 最好是达到Q20的碱基要在95%以上（最差不低于90%），Q30要求大于85%（最差也不要低于80%） 。

这个图横轴是read上碱基的位置；纵轴是百分比，图中四条线代表A、T、C、G在每个位置平均含量。这个指标是为了分析碱基的分离程度。理论上，假如测序过程是比较随机，A和T应该相等，G和C应该相等，两者之间即使有偏差也不应该太大，最好平均在1%以内。如果过高，除非有合理的原因，比如某些特定的捕获测序所致，或者测序刚开始的时候测序仪状态不稳定，否则都需要注意是不是测序过程产生偏差。

该图横轴是0 - 100%； 纵轴是每条序列GC含量对应的数量，蓝色的线是程序根据经验分布给出的理论值，红色是真实值，两个应该比较接近才比较好。GC含量指的是G和C这两种碱基占总碱基的比例。二代测序平台或多或少都存在一定的测序偏向性，GC含量可以协助我们判断测序过程是否足够随机。一般基因组的GC含量有一个理论值，例如人类基因组的GC含量一般在40%左右。因此，如果发现GC含量的图谱明显偏离理论值，说明测序过程存在较高的序列偏向性，结果就是基因组中某些特定区域被反复测序的几率变高，这些区域的测序深度远高于平均测序深度，这将会影响下游的变异检测和CNV分析。

这个图横轴是read上碱基的位置；纵轴是含N的比例。 Warning 警告 如果任意位置的N比例超过5%， Failure 不合格 如果任意位置的N比例超过20%。N在测序数据中一般是不应该出现的，如果出现则意味着，测序的光学信号无法被清晰分辨，测序仪器不能辨别某条reads的某个位置都是ATCG哪个碱基，如果这种情况多的话，往往意味着测序系统或者测序试剂的错误。

这个图横轴是read上碱基的位置；纵轴是含各种接头的比例。当测序read的长度大于被测序的DNA片段时，就会在read的末尾测到这些接头序列。由于有些RNA的序列本来就比较短，很多只有几十bp长（特别是miRNA），那么测序的时候就很容易会出现read测通的现象，这个时候就会在read的末尾测到这些接头序列，此时，在图中的3‘端位置，adapter的比例曲线会上升。这些被测到的接头序列在正式分析之前需要被切除。

统计序列完全一样的reads的频率。横坐标是plication的次数，纵坐标表示各重复次数下的 reads 数占总 reads 的百分比，蓝线展示所有 reads 的重复情况，红线表示在去掉重复以后，原重复水平下的 reads 占去重后 reads 总数的百分比； Warning 警告 非 unique 的 reads 占总 reads 数的 20 % 以上， Failure 不合格 占总 read 数的 50 % 以上。

Fastqc每次对一个样本进行质量控制并生成评估报告，当样本数量过多时，查看报告显然极不方便。Multiqc能将fastqc生成的多个报告整合成一个报告（HTML和PDF格式），方便的查看所有测序数据的质量。Multiqc支持多种分析类型的质控结果查看，包括：RNAseq、Whole-Genome Seq、Bisulfite Seq、Hi-C等。

『伍』 做有机成分分析实验 通常需要什么仪器

需要的成分分析仪器主要要有：
1、分析天平；
2、色谱仪；
3、分光光度计；
4、层析仪；
5、质谱仪。

『陆』 仪器分析实验都有哪些仪器

一起分析方法主要有：
一、电化学分析法
需要仪器：电极、pH计（用来跟电极配套使用的）、库仑仪等
二、色谱分析法
常用的就是气相、液相色谱,此外还有离子色谱等
三、光学分析法
荧光光谱仪、紫外分光光度计、傅里叶变换红外光谱分析仪、原子吸收光谱、X-射线单晶衍射仪、粉末多晶衍射仪等等
四、质谱法
质谱分析仪
如果你想要开展这些实验的话,难度还是不小的,毕竟搞定一台就需要一定时间了.

『柒』 什么是转录组分析

转录组分析指对细胞内所有转录产物的集合的分析。

转录组（transcriptome）广义上指某一生理条件下，细胞内所有转录产物的集合，包括信使RNA、核糖体RNA、转运RNA及非编码RNA；狭义上指所有mRNA的集合。

转录组测序一般是对用多聚胸腺嘧啶（oligo-dT）进行亲和纯化的RNA聚合酶II转录生成的成熟mRNA和ncRNA进行高通量测序。

相对于传统的芯片杂交平台，转录组测序无需预先针对已知序列设计探针，即可对任意物种的整体转录活动进行检测，提供更精确的数字化信号，更高的检测通量以及更广泛的检测范围，是目前深入研究转录组复杂性的强大工具。

(7)转录组分析需要哪些仪器扩展阅读：

转录组测序的技术路线：

样品要求：

1、样品纯度要求： total RNAOD值应在1.8至2.2之间；电泳检测28S:18S至少大于1.5。

2、样品浓度： total RNA浓度不低于400ng/ul；样品总量不低于15ug;目前最新的样品建库要求降低到1ug,浓度大于50ng/ul即可。

3、提供total RNA样品具体浓度、体积、制备时间、溶剂名称及物种来源。请同时附上QC数据，包括电泳胶图、分光光度或Nanodrop仪器检测数据。如需进行多次样品制备，需要提供多次样品制备所需样品。

『捌』 转录组分析入门 1 —— 背景知识

👉 mRNA：最常见的转录组测序，建库一般选200-300bp的片段，PE150或125测序

👉 microRNA： 将microRNA分离出来直接单独测序

👉 IncRNA： 长链非编码RNA，有正向、反向转录，要进行 链特异性建库

【 关于链特异性建库： 作用就是测序过程保留转录本的方向信息，让我们知道转录本是来自正义链还是反义链。方便后来区分不同的IncRNA类型以及它的定位，可以更准确获得基因结构和表达信息。】

👉 提取：

👉 纯化：

👉 检测是否合格的指标：

👉 分离RNA=》将RNA打断成小片段=》将小RNA片段反转录成DNA（DNA更稳定更容易扩增）=》加接头=》PCR扩增 =》质量检查QC

具体： 总RNA样本检测合格后，对于真核生物，用带有Oligo（dT）的磁珠富集mRNA，对于原核生物，用试剂盒去除rRNA，向得到的mRNA中加入Fragmentation Buffer使其片断成为短片段，再以片断后的mRNA为模板，用六碱基随机引物合成cDNA第一链，并加入缓冲液、dNTPs、RNaseH和DNA Polymerase I合成cDNA第二链，经过QIAQuick PCR试剂盒纯化并加EB缓冲液洗脱。洗脱纯化后的双链cDNA再进行末端修复、加碱基A、加测序接头处理，然后经琼脂糖凝胶电泳回收目的大小片段并进行PCR扩增，从而完成整个文库制备工作。
注：
【RNA片段化目的：RNA长达几kb，测序仪器只能测200-300bp长度的短片断。
反转录目的：DNA更稳定更容易扩增。
接头作用：1⃣️ 使测序机器识别片段 2⃣️可同时测多个样品。
PCR扩增：只有加了接头的片段才能被扩增。】

目前二代测序主要采用 Illumina平台

一般：质控-》比对(alignment or mapping)-》估算表达量(read counting)-》表达量比较(differential expression)。

👉 原始数据： Illumina测序仪下机的数据通常为Bcl格式，然后公司使用Bcl2Fastq软件，根据Index序列分割转换成每个样品的Fastq文件，用户拿到的就是fastq格式的原始数据。

👉 质控： 使用fastqc，查看碱基质量、接头情况、GC含量、序列长度、重复序列等

👉 过滤： 一般需要去掉低质量碱基或者未识别碱基（N）太多的reads；另外如果测序文库的插入片段太短，比如insert size=50，但采用PE 150测序，read1和read2就会测到接头，所谓的“测通“就是这意思，此时需要去掉接头序列。有时会出现两个接头连在一起的情况，也需要去掉。

不同的比对流程 👇

上图来自文章 A survey of best practices for RNA-seq data analysis, 2016, GB

👉HISAT2是TopHat2的升级版，该软件使用改进的BWT算法（Sirén et al. 2014）将参考基因组转换成index，实现了更快的速度和更少的资源占用。
【先将大的基因组序列打断成许多小片段，然后为了方便接下来寻找这些片段，需要对他们进行构建索引index（目的就是标注每个小片段的位置），再将测序的reads和基因组一样，也是打断成小片段，然后把它的小片段比对到基因组的小片段上，比对上的会给出位置信息。】
【注：index比对的方法也避免由于某个碱基不匹配导致整段reads比对不上的结果】

👉 Counts：与转录本重叠的reads数。

👉 RPKM/FPKM：Reads/Fragments per kilobase of transcript per millions of read mapped

【建库测序是一个随机抽样的过程，而这个抽取的样品实际上是以 Fragments 为单位，而不是 Reads。因此，使用FPKM更为合理。当 single-end 测序的时候，RPKM 与 FPKM 是等价的；当 pair-end 测序的时候（一个fragment对应两条reads），应该使用 FPKM。】

👉 TPM: Transcripts per million reads
【当样本差异过大，要强调准确度或者定量目标基因的表达量的时候，TPM是最有效的。TMP先处理基因长度问题，再处理测序深度。】

目的： 1⃣️ 告诉我们是否能看到对照组与处理组直接的差异；2⃣️ 为下游的分析去掉其中不可靠的数据。

～～未完待续～～

以上内容参考：
1. 刘小泽：简单理解RNA-Seq
2. 刘小泽：转录组谜团
3. 刘小泽：转录组那些事儿 Part I
4. 生信星球转录组培训第一期Day1--善良土豆
更多资料：
视频 StatQuest: A gentle introction to RNA-seq
讲义 http://www.mi.fu-berlin.de/wiki/pub/ABI/GenomicsLecture12Materials/rnaseq1.pdf

『玖』 请问实验室中分析仪器都包括哪些仪器

首先要给所有的仪器建台帐，每台仪器的档案要有以下内容：
说明书
合格证
操作说明
保养记录
维修记录
使用记录
检定证书（必需要有，由当地计量所发）

『拾』 转载---[转录组] 转录组专题——关于样本重复性问题小技巧

目前，转录组测序仍是应用最广的高通量测序技术之一，很多研究课题是关于基因表达潜在的机制，并已经发现了一些现象，但分子机制还不清楚。而做转录组测序特别适合用于分子机制探究，可以获得样本中几乎所有的mRNA信息。关于转录组领域的研究，应用范围极为广泛。如可研究同一个体不同组织之间的基因表达差异；或者不同的外界处理条件下（病毒、光照、紫外、干旱、高温和高盐胁迫等），对基因表达的影响。

在我们正式进行转录组数据分析之前，需要先对组内生物学重复（一般设置3个生物学重复）进行样本关系分析，判断组内重复性效果的好坏，是否有离群样本。应广大研究者之需，本期针对大家比较关心的样本重复性问题进行探讨，力争为各位老师在科研之路上带来帮助。

在进行问题讨论之前，首先我们对可能会困扰大家的关于什么是生物学重复和技术学重复的问题进行区分。

①生物学重复： 指同一处理下不同的生物学样品。由于遗传和环境等因素的影响会引起生物体的个体差异，因此需要采用生物重复的实验设计方法来降低该差异。一般的实验设计中，都会包括实验组和对照组。如下图A实验组包含3只小鼠，那么这3只小鼠，经过相同的实验处理，分别测组织的RNA-seq，即为一组生物学重复。

②技术重复： 简单来说就是对同一生物体样品进行重复地检测。如下图B、C，都属于技术重复。对于第一种技术重复，重点是检测RNA-seq方法的准确度。比如当发现了一个新的检测基因表达量的方法，就需要用这种重复来验证（图1 B）；第二种技术重复重点是这个小鼠本身的基因表达水平（图1 C）。

图1 生物学重复和技术重复

那么接下来，我们正式切入主题，针对样本重复性问题进行探讨。

『1. 生物学重复必须要设置吗？』

答：需要。生物学实验中，生物体往往存在异质性，常常需要设置重复，以此确保不是个体的偶然变异对结果产生的影响[1]。若不设置组内生物学重复，在投稿时也会受到审稿人的质疑。我们无法判断组内差异所占的比例有多大，可能获得的差异表达基因仅仅是少数个体差异的表现，并不能反映是真正处理效应导致的差异。设置生物学重复可以评估组内误差，降低背景差异，检测离群样本，增强结果的可靠性。

Tips

组间差异是由组内差异和处理效应共同导致的[2]。组内差异包括采样个体间的差异、实验操作误差等等，这些差异是我们在实验时要尽可能降低的。而组内误差主要由生物学误差和技术误差引起的。

图2 组间差异和组内差异

『2. 每个处理推荐多少个生物学重复呢？』

答：不同的实验样品，由于外界因素导致的个体之间的差异或实验操作导致的误差可能不同。因此，针对不同的样品所推荐的组内生物学重复也有所差别[3]。

    ① 对于动植物样品，建议3~5个生物学重复，对生物学样品之间做相关性检验，提高实验结果的可信度；

    ② 对于细胞样品，生物学重复之间的差异性相对较小，建议3个以上生物学重复；

    ③ 对于临床样品，由于供试者的基因型、生活方式、生活环境、年龄、性别可能存在较大差异，可能需要更多的生物学重复，一般10个生物学重复以上[4]。

Tips

在转录组测序时，一般不建议设置两个重复。因为如果两个重复样品结果不一致，无法确定以哪个数据为参考。

『3. 用于判断组内重复性好坏的常用工具有哪些？』

答：在实际分析过程中确认组内重复性的好坏方法有很多，可进行样本的PCA，可计算两两样本的相关系数，或者绘制样本聚类图、重复性散点图多种方式综合判断。在实际分析中，通常结合PCA和相关性系数综合判断样本是否离群。

    ① PCA：详见Question 4；

    ② 相关系数：通常计算两个样品之间的Pearson或Spearman相关系数判断组内重复性情况。相关系数越接近1，样品间相似度越高。一般情况下，组内生物学样本相关系数大于组间样本，则表明组内重复性较好；

    ③ 样本聚类树：可用于判断在不同实验条件下的表达模式。依据样品的表达谱进行聚类，样品之间重复性较好时通常会聚在同一分支下。如果组内样本重复性较差可能会呈现无规则的聚类形式；

    ④ 重复性散点图：展示组内样本的重复性情况。图中偏离对角线的点越少，样品间的相关性越高，重复性越好。

图3 Omicsmart中样本关系分析图形

『4. PCA是什么？怎么看？』

答：主成分分析（Principal Component Analysis，PCA）是一种线性降维算法。用方差（Variance）来衡量数据的差异性，将高维数据用某几个综合指标来表示。将原本鉴定到的所有基因的表达量重新线性组合，形成一组新的综合变量，同时根据所分析的问题从中选取2-3个综合变量，使它们尽可能多地反映原有变量的信息，从而达到降维的目的。如PC1（Principal Component 1）和PC2（Principal Component 2）为降维后获得的两个主成分因子，可分别从数据差异性最大和次大的方向提取出来。

在样本关系分析过程中，PCA可以让我们非常直观地看出各个样本之间的相似性。关于转录组测序，我们可能获得上万个基因的表达信息，那么利用PCA可将样本所包含的上万个维度的信息（上万个基因的表达量），降维至某些维度的综合指标（主成分）表示。一般选取PC1和PC2，来解释样本间的重复性好坏与组间样本的差异度。如下图PCA散点图，组内样本呈现相互聚集，说明组内的重复性比较好。

图4 Omicsmart在线报告PCA图

Tips

在文章中，也会看到三维的PCA图。这时选取了PC1，PC2，PC3去解释样本间的距离。PC1+PC2（+PC3）越大，对方差解释度越大，越具有说服力。

『5. 相关性系数分析时，相关系数达到多少可认为组内重复性效果好？』

答：一般情况下，计算相关性系数时，对于生物学重复（如采样时个体差异）之间的相关系数依据经验建议在0.7以上较好；对于技术重复（实验操作、实验仪器等）之间的相关系数依据项目经验来说在0.85以上比较合理。

Tips

关于相关系数如何计算，可能还存在不少的困惑。我们在这里也解释一下。对于转录组数据，可以利用样本的表达谱来计算样本间的相关性，通过计算相关系数r来评估每组样本的生物重复性。最常用的度量是Pearson和Spearman相关系数。

那么在实际分析中，这两种计算方式应该如何选择呢？

我们首先简单了解二者的区别。对于Pearson相关系数很简单，主要用来衡量两个数据集的线性相关程度。而Spearman相关系数它不关心两个数据集是否线性相关，所关注的是单调相关。所以Spearman相关系数也称为等级相关或者秩相关（即rank）。从下图中我们可以更好的理解，如果对数据进行线性变换（y=ax+b；a≠0），两者相关系数的绝对值都不会发生变化（图5 A）；如果对数据进行单调但不是线性的变换，比如最常见的log scale，Spearman相关系数的绝对值也不会发生变化[5]（图5 B）。这时我们就可以知道，两者的前提假设就不同，Pearson相关假设数据集在同一条直线上，而Spearman只要求单调递增或者递减，所以Pearson的统计效力一般情况下比Spearman要高。但是更重要的是，我们需要根据实际情况选择正确的假设。比如，某个实验做了3次生物学重复，那有理由假设这3次重复线性相关。而如果是一个基因和另一个受到调控的基因的表达水平，或者某个基因顺式作用元件的染色质开放程度，和这个基因表达水平之间的关系就可能需要假设单调相关。

图5 Pearson和Spearman相关系数

关于两者的特点也有所不同，若想要深入学习二者的算法特征，可回顾往期文章 《相关系数第一弹：哪哪都能看到的皮尔森相关》 和 《相关系数第二弹：斯皮尔曼相关》 ，都有详细的解释哟。

『 6. PCA和相关系数的算法，哪个更能判断样本的重复性？为什么？』

答：相关系数。因为PCA为把对样品贡献大的信息保留，所描述的是整体所有组的特征；而相关系数直接呈现的是两组样品之间的相关程度。若相关系数越高，表明两组样品之间的相关程度越高，即重复性越好。

『7. 样本离群了，还能用于分析吗？』

答：首先判断离群程度，若离群程度较小，则可以尝试设置阈值，缩小基因范围，再次重新进行相关性分析判断样本是否离群。若离群程度很大，对后续差异分析的结果造成了很大的影响，那么可以考虑将该样本剔除，再进行后续差异分析等等。

Tips

转录组测序通常要求设置3个生物学重复样本，如果样本足够多，建议比预期实验设计多送1~2个样本测序，以便后续某个样品与组内其它样本出现离群情况，直接剔除离群样本，省时省力。若测序样本较少，无法剔除样本，也可以考虑对同一批次的备份样本再次测序，后续再重新分析。

以上就是今天的关于样本关系分析问题，在此也向广大研究者征集相关问题，如有疑问，欢迎下方留言。或者也可登录基迪奥OmicShare论坛，搜索和讨论更多相关知识。

论坛网址：

https://www.omicshare.com/forum/

▼参考文献▼

[1] Robles, José A et al. Efficient experimental design and analysis strategies for the detection of differential expression using RNA-Sequencing. BMC genomics vol, 13 484. 17 Sep. 2012, doi:10.1186/1471-2164-13-484

[2] Hansen, K., Wu, Z., Irizarry, R. et al. Sequencing technology does not eliminate biological variability. Nat Biotechnol. 29, 572–573. 2011,  https://doi.org/10.1038/nbt.1910

[3] Todd E V, Black M A, Gemmell N J. The power and promise of RNA-seq in ecology and evolution[J]. Molecular ecology, 2016, 25(6): 1224-1241

[4] Liu Y, Zhou J, White K P. RNA-seq differential expression studies: more sequence or more replication?[J]. Bioinformatics, 2013, 30(3): 301-304

[5] Trost B, Moir CA, Gillespie ZE, et al. Concordance between RNA-sequencing data and DNA microarray data in transcriptome analysis of proliferative and quiescent fibroblasts. R Soc Open Sci. 2015, 2(9):150402. doi:10.1098/rsos.150402