qRT-PCR数据分析与内参选择：从Ct值到发表级图表

一、为什么数据分析这么重要?

很多同学做qRT-PCR实验的时候，前面RNA提取、反转录、引物设计、上机扩增都做得很认真，到了数据分析这一步反而草草了事——拿到Ct值，往Excel一丢，减一下就出图了。这样做出来的数据，往往经不起推敲，审稿人一看就能挑出问题。

qRT-PCR数据分析不是简单地算个除法就行了。从原始Ct值到最终的基因表达变化倍数，中间有好几个环节需要严谨地处理：基线校准、阈值设定、扩增效率校正、内参归一化、统计学检验……每一步都有可能出错，每一步都会影响最终结论的可靠性。

按照MIQE指南的要求，发表qRT-PCR数据时需要提供足够的方法学信息，包括扩增效率、线性范围、内参验证等。所以不管你是发论文还是做毕业答辩，把数据分析做规范是基本功。

这篇文章就把qRT-PCR数据分析从头到尾捋一遍，重点讲清楚相对定量和绝对定量的区别、2-ΔΔCt法的计算原理、标准曲线和扩增效率的评价标准，以及最让新手头疼的内参基因选择问题。

 

二、相对定量 vs 绝对定量：到底用哪个?

qRT-PCR的定量方法分两大类：相对定量和绝对定量。很多人搞不清什么时候用哪个，其实搞清楚了就不难选。

相对定量

相对定量回答的是"目标基因在实验组中比对照组高了多少倍或低了多少倍"这个问题。比如"药物处理后基因A的表达量是对照组的2.5倍"——这就是相对定量的结果。这是最常用的定量方式，绝大多数基因表达研究用的都是相对定量。

相对定量不需要知道模板的绝对拷贝数，只需要比较不同样本之间的表达差异。计算方法主要是2-ΔΔCt法（Livak法）和Pfaffl法，前者假设扩增效率为100%，后者考虑了实际扩增效率。

绝对定量

绝对定量回答的是"样本里到底有多少个拷贝"这个问题。比如"每微升血清里含有5000拷贝的病毒RNA"——这就是绝对定量的结果。绝对定量需要用已知浓度的标准品做标准曲线，然后根据样品的Ct值从标准曲线上反推浓度。

绝对定量主要用于病原体检测（病毒载量、细菌定量）、基因治疗（载体拷贝数检测）、拷贝数变异分析等需要知道精确数量的场景。

图1：qRT-PCR数据分析全流程示意图

 

怎么选?

90%以上的基因表达研究用相对定量就够了。只有当你需要知道"具体有多少个分子"的时候才需要做绝对定量。如果你只是比较"处理组比对照组高了几倍"，那就是相对定量。

有个误区要纠正：很多人觉得绝对定量更"高级"、更"精确"。其实不是的。绝对定量的精度取决于标准曲线的质量，如果标准品稀释不准确，绝对定量的结果也不准。而且绝对定量需要制备标准品（通常是质粒或体外转录的RNA），工作量比相对定量大很多。

 

三、2-ΔΔCt法：相对定量的黄金标准

说到相对定量，就不得不提2-ΔΔCt法了。这个方法由Livak和Schmittgen在2001年提出，因为简单直观，迅速成为qRT-PCR相对定量最广泛使用的方法。

计算原理

2-ΔΔCt法的核心假设是：PCR扩增效率为100%，即每一轮循环产物翻倍。在这个前提下，Ct值每增加1，意味着模板量减少一半；Ct值每减少1，模板量增加一倍。

计算步骤如下：

第一步：计算ΔCt

ΔCt = Ct(目的基因) - Ct(内参基因)

这一步是"内参归一化"——用内参基因的Ct值校正目的基因的Ct值，消除不同样本间上样量和反转录效率的差异。

第二步：计算ΔΔCt

ΔΔCt = ΔCt(实验组) - ΔCt(对照组)

这一步是用对照组做基准，计算实验组相对于对照组的变化。

第三步：计算表达倍数

Fold Change = 2^(-ΔΔCt)

如果ΔΔCt为负值（实验组Ct小于对照组），说明目的基因上调，结果大于1。如果ΔΔCt为正值，说明目的基因下调，结果小于1。

使用前提

2-ΔΔCt法有两个前提条件：

第一，目的基因和内参基因的扩增效率都必须接近100%（准确说在90%-110%之间）。如果扩增效率偏离100%太多，2-ΔΔCt法的计算结果就不准确了。

第二，目的基因和内参基因的扩增效率要基本一致（差异不超过5%）。如果一个效率95%，另一个效率105%，用2-ΔΔCt法就会有偏差。这种情况下建议用Pfaffl法，它考虑了不同基因的扩增效率差异。

2-ΔΔCt法的局限

2-ΔΔCt法虽然好用，但也不是万能的。它最大的局限就是假设扩增效率为100%。实际操作中，能完全做到100%扩增效率的实验并不多。所以做数据分析前，一定要先用标准曲线验证扩增效率，确认在90%-110%范围内才能放心用2-ΔΔCt法。

另外，2-ΔΔCt法需要一个对照组作为基准。如果对照组选择不当——比如对照组的基因表达本来就有波动——结果也会偏。对照组应该是稳定不变的样本。

 

四、标准曲线：扩增效率的试金石

标准曲线是验证qRT-PCR方法可靠性的核心工具。不管你做相对定量还是绝对定量，标准曲线都是必须做的。

标准曲线怎么做?

做标准曲线需要先制备标准品。对于基因表达分析，标准品通常用PCR产物纯化后的DNA或质粒。把标准品做5-6个10倍系列稀释（比如1:10、1:100、1:1000、1:10000、1:100000），每个稀释度上3个技术重复。

上机完成后，以模板浓度的对数值为X轴，对应的Ct值为Y轴，做线性回归分析，就得到标准曲线了。标准曲线的方程是：Ct = a + b × log10(浓度)。

图2：标准曲线——模板浓度对数与Ct值的线性关系

 

如何评价标准曲线的好坏?

一个好的标准曲线要看三个指标：

线性相关系数（R²）：反映数据点与拟合直线的吻合程度。R²越接近1，线性关系越好。一般要求R² ≥ 0.99，最好能达到0.999以上。如果R²太低，可能是标准品稀释不准确，或者低浓度点出了问题。

扩增效率（E）：理想范围90%-110%。计算公式是E = (10^(-1/斜率) - 1) × 100%。标准曲线的斜率应该在-3.1到-3.6之间（对应效率90%-110%）。斜率绝对值越小（比如-3.0），效率越高；斜率绝对值越大（比如-4.0），效率越低。

线性范围：标准曲线的最高和最低浓度之间应该覆盖你样品的Ct值范围。如果你的样品Ct值在标准曲线范围之外，定量结果就不可靠。

做标准曲线的注意事项

第一，标准品稀释要准确。10倍系列稀释说起来简单，但操作时一定要用新的吸头，每次充分混匀。建议用1.5 mL离心管做大体积稀释，减少小体积操作的误差。

第二，每个稀释度做3个技术重复，取平均Ct值做标准曲线。如果某个重复偏差太大，剔除后重新计算。

第三，标准曲线要覆盖样品的浓度范围。如果样品Ct值为25，标准曲线的Ct值范围应该覆盖20-30左右，确保样品在标准曲线的线性范围内。

第四，标准品需要稳定保存。质粒标准品保存在-20°C，避免反复冻融。PCR产物标准品短期4°C保存，长期-20°C。建议分装保存。

 

五、qPCR扩增效率：90%-110%才算合格

扩增效率是qRT-PCR数据分析中最核心的指标之一。它反映了PCR反应中每一轮循环的产物增长倍数。理想状态下，每一轮循环产物翻倍，效率为100%。但实际操作中很难做到恰好100%，所以通常要求在90%-110%之间。

扩增效率怎么算?

扩增效率从标准曲线的斜率计算得到：

E = (10^(-1/slope) - 1) × 100%

比如标准曲线斜率为-3.32，那么E = (10^(1/3.32) - 1) × 100% = (10^0.3012 - 1) × 100% = (2.0 - 1) × 100% = 100%。斜率为-3.32时效率恰好100%。

斜率为-3.1时，E = (10^(1/3.1) - 1) × 100% ≈ 110%。斜率为-3.6时，E ≈ 90%。所以斜率在-3.1到-3.6之间对应效率90%-110%。

扩增效率异常的原因

效率偏低（低于90%）：可能原因包括引物设计不好（Tm值偏低、容易形成二级结构）、Mg²⁺浓度不合适、模板有PCR抑制物（如SDS、苯酚残留）、dNTP或引物浓度不足。解决方法：重新设计引物、优化反应条件、重新提取RNA减少杂质残留。

效率偏高（高于110%）：可能原因包括非特异性扩增（引物二聚体也被计入了产物量）、标准品稀释不准确（某些稀释度浓度偏差大）、低浓度点Ct值不稳定。解决方法：检查熔解曲线确认没有非特异性扩增、重新做标准品稀释、剔除异常数据点。

为什么扩增效率这么重要?

扩增效率直接影响定量结果的准确性。2-ΔΔCt法假设效率为100%，如果实际效率只有85%，计算出的表达倍数就会有偏差。效率偏差越大，结果偏差越大。

举个例子：假设实验组目的基因Ct=22，对照组Ct=24，内参Ct都是20。用2-ΔΔCt法计算，ΔΔCt = (22-20)-(24-20) = -2，Fold change = 2^2 = 4倍。但如果目的基因实际扩增效率只有85%（每轮增长1.85倍），实际差异应该是1.85² ≈ 3.4倍，不是4倍。差异越大，偏差越明显。

所以，做qRT-PCR数据分析前，一定要先用标准曲线验证扩增效率。如果效率不在90%-110%范围内，要么优化实验条件，要么换用考虑实际效率的计算方法（如Pfaffl法）。

 

六、内参基因选择：最容易踩坑的一步

内参基因（也叫参考基因、看家基因）是qRT-PCR相对定量分析的基础。它的作用是校正不同样本之间的上样量差异、反转录效率差异和PCR效率差异。理想情况下，内参基因在所有实验条件下表达量恒定不变。但现实中没有绝对恒定的基因——不同的实验条件下，所谓的"看家基因"也会波动。

图3：常用内参基因的适用场景与选择流程

 

常用内参基因及其适用场景

GAPDH（甘油醛-3-磷酸脱氢酶）：最常用的内参基因。适用于常规细胞实验、给药实验、凋亡实验、免疫实验。但不适用于缺氧实验、糖脂代谢实验、肿瘤代谢研究、饥饿造模——因为这些条件下GAPDH本身的表达会变化。

β-actin（β-肌动蛋白）：第二常用的内参。适用于动物组织样本、代谢干预实验、常规qPCR和Western Blot。但不适用于细胞迁移侵袭实验、EMT（上皮-间充质转化）实验、脂肪组织和肌肉组织——因为actin在这些条件下会变化。

18S rRNA：适用于低丰度目的基因的检测（因为18S丰度很高，可以作为稳定基准）。但不适合常规mRNA定量，因为18S是rRNA，和mRNA的反转录效率可能不同。

其他内参：UBC（泛素结合蛋白）在不同实验条件下稳定性较好；eEF-1a适用于水稻等植物研究；HPRT1适用于某些特定细胞类型；TBP和PPIA在某些实验体系中比GAPDH和β-actin更稳定。

如何验证内参基因的稳定性

不能想当然地选个GAPDH就完事了——你需要验证在你自己的实验条件下，这个内参基因到底稳不稳定。常用的验证方法有：

GeNorm：通过计算基因表达稳定值M，对候选内参基因进行排序。M值越低越稳定。一般建议选M值<0.5的基因作为内参。GeNorm还建议使用至少2个内参基因的几何平均值来归一化，提高可靠性。

NormFinder：不仅能评估单个基因的稳定性，还能考虑组间差异，推荐在不同实验组之间表达差异最小的基因作为内参。

BestKeeper：基于Ct值的标准差和变异系数来评估稳定性，标准差越小越稳定。

这几个工具大多有免费的R包或在线版本，用起来不复杂。建议至少选3-5个候选内参基因，用这些工具评估一下，选最稳定的用。

内参选择的常见误区

误区一：盲目套用文献中的内参。别人用GAPDH稳定的实验条件，不一定在你的体系里也稳定。不同细胞系、不同处理条件、不同组织来源，内参稳定性都可能不同。一定要自己验证。

误区二：只用一个内参。MIQE指南建议使用至少2-3个验证过的内参基因。单一内参有可能在某些条件下波动，用多个内参的平均值归一化更可靠。

误区三：内参Ct值波动大但视而不见。如果你发现不同样本组之间内参Ct值差了1个循环以上，说明内参不稳定了，不能直接用。需要换内参或者解释原因。

 

七、数据处理全流程实操

前面讲了这么多原理，现在来走一遍完整的数据处理流程，让大家有个直观的感受。

第一步：检查原始数据质量

上机完成后，导出原始Ct值。首先检查以下几项：

1. 看扩增曲线——每条曲线应该是标准的S形，没有异常形状（如锯齿、中断、跳跃）。

2. 看熔解曲线——应该只有一个主峰，NTC孔没有峰或只有很弱的引物二聚体峰。

3. 看NTC——Ct值应该大于35或者不出信号。如果NTC出峰了，数据全部作废，重新做。

4. 看技术重复的变异——同一样品三个技术重复的Ct值标准差应该小于0.5。如果某个重复偏差特别大，剔除后用剩余两个计算。

第二步：取技术重复平均值

每个样品3个技术重复的Ct值取平均值，作为该样品的代表Ct值。如果有个别重复明显异常（比如比其他两个高2个循环以上），剔除后取剩余两个的平均值。

第三步：计算ΔCt

对每个样品，计算目的基因Ct值与内参基因Ct值的差：ΔCt = Ct(目的基因) - Ct(内参基因)。

这一步是内参归一化，消除样本间的上样量差异。

第四步：计算ΔΔCt

选定对照组，计算每个样品的ΔΔCt = ΔCt(样品) - 平均ΔCt(对照组)。

对照组应该选择表达稳定的基准样本，通常是未处理的正常对照组。

第五步：计算表达倍数

Fold Change = 2^(-ΔΔCt)。

对照组的Fold Change约等于1（因为ΔΔCt约等于0）。

如果Fold Change > 1，说明目的基因上调；Fold Change < 1，说明下调。下调的结果通常用1/Fold Change表示，比如0.5写成"下调2倍"。

第六步：统计分析

每个生物学重复有一个Fold Change值，组间比较用t检验（两组）或ANOVA（三组以上）。注意要用生物学重复做统计检验，不能用技术重复。

数据通常以"均值 ± 标准误（SEM）"的形式呈现。作图时常用柱状图或散点图，标注显著性（*p<0.05, **p<0.01, ***p<0.001）。

第七步：数据呈现

发表级别的图表要求清晰、规范。Y轴标注"Relative Expression (Fold Change)"，X轴标注组别。图注中注明内参基因、统计方法、样本量和生物学重复数。

如果用GraphPad Prism做图，可以用Column data类型输入Fold Change值，选t检验或ANOVA，然后出图，效率很高。

 

八、常见数据分析误区与纠正

误区1：不做标准曲线就直接用2-ΔΔCt法

这是最常见的错误。很多人默认扩增效率是100%，直接套2-ΔΔCt公式。但如果扩增效率偏离100%，结果就不准了。正确做法：新引物必须先做标准曲线验证效率，确认在90%-110%范围内才能用2-ΔΔCt法。

误区2：用技术重复做统计检验

技术重复反映的是操作精度，不是生物学变异。用技术重复做统计检验会高估显著性，是不正确的做法。统计检验必须基于生物学重复（不同样本、不同动物、不同批次细胞）。

误区3：内参没有验证稳定性

直接用GAPDH或β-actin做内参，没有验证它在当前实验条件下是否稳定。如果你的处理条件恰好影响了GAPDH表达（比如缺氧、糖代谢改变），整个定量结果都会偏。正确做法：用GeNorm或NormFinder等工具验证内参稳定性。

误区4：不报告扩增效率

按照MIQE指南，论文中应该报告引物的扩增效率和R²值。很多同学不报告这些信息，审稿人可能会要求补充。养成好习惯——每次写方法部分时把扩增效率、R²值、线性范围都写上。

误区5：Fold Change结果不取对数直接做t检验

Fold Change数据通常不是正态分布（上调可能到8倍、16倍，下调最多到0），直接做t检验不符合正态假设。正确做法：对Fold Change取log2转换后再做统计检验。log2转换后上调1倍变成+1，下调1倍变成-1，数据更对称。

误区6：忽略异常值

有时候某个生物学重复的Fold Change明显偏离其他样品（比如其他都是2-3倍，突然有一个是15倍）。不要直接删除，先排查原因——可能是加样错误、RNA降解或其他技术问题。如果有明确的技术原因可以剔除，否则应该保留并如实报告。

误区7：扩增效率验证只做一次

有些人验证了扩增效率后就不管了，后面换了引物批次、换了试剂批次也不重新验证。建议每次更换引物或试剂时重新验证效率。不同批次的引物可能会有微小的效率差异。

实用建议

1. 建立标准操作流程（SOP）：把从RNA提取到数据分析的每个步骤都写成SOP，每次实验严格按照SOP操作，减少批次间差异。

2. 使用专业软件辅助分析：除了Excel，可以试试Bio-Rad的CFX Maestro、Thermo的Design & Analysis Software或者开源的qbase+等软件，它们能自动计算扩增效率、做归一化分析和统计分析，减少手动计算的错误。

3. 做好数据管理：每次实验的原始数据、Ct值、计算过程都存档保存，包括日期、引物批号、试剂批号等信息，方便追溯。

4. 定期做方法学验证：每隔一段时间（比如3-6个月）重新验证引物扩增效率、内参稳定性和标准曲线，确保实验体系没有漂移。

5. 生物学重复要够数：一般每组至少3个生物学重复，如果预期差异不大（比如1.5倍变化），建议增加到5-6个，提高统计检验力。

qRT-PCR数据分析不是简单的加减乘除，而是需要严谨的方法学支撑。从扩增效率验证到内参选择，从ΔΔCt计算到统计分析，每一步都要规范操作。把数据分析做扎实了，你的实验结论才站得住脚，论文才经得起审稿人的推敲。希望这篇文章能帮助大家把qRT-PCR数据分析做得更规范、更专业！