荧光定量PCR实验的设计与数据分析

一、SYBR Green vs TaqMan探针，怎么选才不踩坑

    做qPCR的人都知道，第一个要做的决定不是用什么模板、什么引物，而是到底用SYBR Green还是TaqMan探针。这个选择没做对，后面所有的努力都可能白费。咱们先把这两个方法的底层逻辑搞清楚，然后说说什么场景该选什么。

    SYBR Green染料法qPCR的原理其实特别简单，这种染料只结合双链DNA，游离状态下几乎不发荧光，一旦嵌合到双链DNA的小沟里，荧光信号就放大好几百倍。每轮扩增结束后，双链产物越多，荧光越强，仪器就根据这个信号增长曲线来算Ct值。听起来很完美对吧？但问题也出在这，它管你扩增出来的是目的基因还是引物二聚体，只要是双链DNA它就亮。这就是所谓的"双刃剑"特性：灵敏、便宜、通用性强，但特异性全靠引物设计质量来保障。

    TaqMan探针定量PCR走的是另一条路。它在引物中间塞了一条特异性探针，探针的5'端标着荧光报告基团（R基团），3'端标着淬灭基团。探针完整的时候，由于荧光共振能量转移（FRET）效应，报告基团的荧光被淬灭基团吸收，你看不到信号。Taq酶在延伸阶段发挥5'→3'外切酶活性，把探针从模板上切下来，R基团和淬灭基团分开，荧光就释放出来了。关键在哪？这条探针的序列跟你的目的基因是特异性互补的，也就是说，信号只有在目的序列被扩增的同时才会产生，引物二聚体不会触发任何信号。

那实际工作中怎么选呢？咱们从三个维度来比。

对比维度	SYBR Green染料法	TaqMan探针法
成本	低（仅需两条引物）	高（引物+定制探针）
特异性	依赖引物设计质量	探针序列双重保障
灵敏度	良好	更优（低背景噪声）
多重检测	不支持	支持（多色荧光通道）
溶解曲线	需要验证	不需要
适用场景	初筛、常规定量	精确定量、SNP分型

    成本方面，SYBR Green法有明显优势。你只需要合成两条引物，普通的PCR级引物一对几十块钱就能搞定。TaqMan探针除了引物还得定制探针，探针合成要修饰荧光基团和淬灭基团，成本直接翻好几倍。如果你筛几十个基因的表达差异，用SYBR Green先把大趋势摸清楚，再挑关键靶点用TaqMan验证，这是很多实验室的标准操作。

    时间方面，SYBR Green法从拿到引物到上机跑，可能就一两天的事，引物到了，配个体系就能跑。TaqMan探针的定制周期长得多，探针合成往往要等一到两周，如果中间序列需要调整，又得重新来。

    灵敏度方面，两种方法在现代仪器上都能达到很好的检测下限，但TaqMan探针在低丰度模板检测上更靠谱。因为它的信号是特异性触发的，背景噪声低，Ct值的重复性更好。你做miRNA检测或者痕量病原体检测，模板量少得可怜的时候，TaqMan的优势就体现出来了。

    什么情况下SYBR Green比TaqMan更合适？几种典型场景：第一，大规模基因表达初筛，你不知道哪些基因真的有变化，先用SYBR Green跑一轮大范围筛选，便宜、快、通用性强；第二，预算有限的学生课题，几十个基因全上探针不现实；第三，常规基因表达分析，模板丰度尚可，引物质量过关，SYBR Green完全够用。

    什么时候必须上TaqMan探针？第一，SNP分型，你需要区分单个碱基的差异，SYBR Green根本做不到这个精度，TaqMan探针通过MGB修饰可以实现单碱基辨别；第二，多重检测，一个孔里同时检测多个靶基因，SYBR Green只有一种信号通道没法做多重，TaqMan可以用不同荧光基团标记不同探针，一孔四重五重都没问题；第三，低丰度模板检测，比如血液中循环肿瘤DNA的检测，模板量极低且背景复杂，TaqMan的低背景优势至关重要。

    还有一点很多人忽略：如果你做的是诊断类的实验，结果要用于临床判断，TaqMan探针几乎是唯一选择。因为法规层面更认可探针法的特异性保障，SYBR Green的"可能产生非特异性产物"这个风险在诊断场景下是不可接受的。

    总结一下选择逻辑：先问自己三个问题，预算够不够？模板丰度高不高？需不需要多重检测或单碱基分辨？预算紧、模板量还行、常规筛查，选SYBR Green法；预算宽裕、模板稀少、或者要做多重和分型，上TaqMan。别为了省钱在关键实验上用错方法，也别为了"高级"在筛查阶段全部上探针，这两种都是浪费。

二、引物设计原则与优化，关键参数与验证流程

    引物设计这一步，说大不大说小不小，但它直接决定了你后面所有实验的命运。引物烂了，退火温度怎么调、模板怎么稀释都救不回来。咱们把几个关键参数一个一个过。

    先说Tm值。这个值指的是引物和模板结合的50%解链温度，设计的时候通常要求在58到62℃这个窗口。为什么是58-62℃？因为这关系到你的退火温度设定。PCR的退火温度一般比Tm值低3到5℃，如果你的Tm值在60℃左右，退火温度设55到57℃就刚好。如果Tm值太低，比如55℃以下，退火温度就得降到50℃出头，这个温度下引物的特异性结合能力大幅下降，非特异性扩增的风险蹭蹭往上涨。反过来Tm值太高也不行，超过65℃的话退火温度也相应高，引物结合太牢固，有时候反而影响延伸效率。而且两条引物的Tm值要尽量接近，差距不超过2℃是基本要求，不然一条已经退火结合了另一条还飘着，扩增效率就打折。

    GC含量40-60%这个范围不是随便定的。GC碱基之间是三个氢键，AT只有两个，GC含量高意味着结合力强、Tm值高。GC含量低于40%，引物和模板的结合力不够，退火阶段容易脱落，扩增效率低甚至扩增不出来。GC含量高于60%，尤其是高于70%，问题更隐蔽，引物容易形成稳定的二级结构比如发夹结构，自己跟自己结合了就不跟模板结合了。另外，GC含量过高还容易导致引物跟基因组中GC-rich区域非特异性结合。所以40-60%是一个经验上效果最稳定的区间。

    3'端的稳定性经常被忽视但其实特别重要。引物的3'端是延伸的起点，Taq酶从3'端开始合成新链。如果3'端最后几个碱基是G或C，结合力强，引发效率高，扩增效率好。这个原则叫"GC clamp"，一般建议3'端最后5个碱基中有1到3个G或C。但也别太多，如果3'端最后三个全是G或C，容易导致引物在模板上非特异性结合后直接引发扩增，因为3'端结合太牢了，即使配对不完美也能启动延伸。这就是所谓的"3'端稳定性过高导致非特异性扩增"。

    跨外显子设计是个实操技巧，核心目的只有一个，区分cDNA和基因组DNA。你做基因表达分析，模板是从RNA反转录来的cDNA，但你的RNA提取产物里几乎不可能100%没有基因组DNA污染。如果引物设计在同一个外显子内，cDNA和gDNA都能扩增出同样大小的产物，你就分不清信号到底来自哪个。跨外显子设计就是把两条引物分别放在不同的外显子上，跨越一个内含子。这样cDNA（已经剪掉内含子的）能扩增出短片段，而gDNA（含内含子）扩增出来的片段长得多，通过电泳就能区分。更彻底的做法是让一条引物横跨两个外显子的拼接位点，这样gDNA根本扩增不出来。

图1：引物结合位点与DNA双螺旋结构示意，跨外显子设计可有效区分cDNA与基因组DNA

 

    Primer-BLAST验证特异性是引物设计后必做的一步。这个工具在NCBI上，操作不复杂但参数设置有讲究。数据库选择方面，如果你做人类基因研究，选"refseq mRNA"数据库来验证mRNA层面的特异性，同时选"genome"数据库（选对应物种）来检查会不会扩增基因组DNA。比对参数里，"Max target sequences"建议设到500以上，确保不漏掉潜在的非特异性匹配。"E-value"阈值设0.1以下就够。还要看"Primer specificity stringency"选项，至少保证3'端最后15-20个碱基不匹配的情况下不会引发非特异性扩增。

    软件选择方面，Primer3是开源免费的，界面简单但功能够用，适合预算有限的实验室；Primer Express是ABI公司（现在的Thermo Fisher）配套的，跟你用ABI仪器配合度好，参数预设比较保守但稳妥；Oligo是老牌软件，功能最全但学习曲线陡。实际用下来，Primer3满足90%的设计需求，Primer Express适合直接用配套默认参数省事，Oligo更适合做深度优化和高难度引物设计。无论用哪个软件，拿到引物序列后都建议再去NCBI做一次BLAST比对，双重保险。

三、内参基因选择策略与稳定性验证

    提到内参基因，GAPDH和β-actin几乎成了qPCR实验的"标配"。但你有没有想过，它们真的在所有条件下都稳定吗？

    先说结论：不一定。GAPDH是糖酵解通路中的一个酶，在细胞能量代谢中扮演重要角色。这意味着任何影响能量代谢的处理都可能改变GAPDH的表达水平。你做缺氧实验，细胞从有氧呼吸切换到糖酵解，GAPDH表达量蹭蹭往上涨，这时候你拿它当内参，所有数据都被扭曲了。β-actin是细胞骨架蛋白，理论上表达量稳定，但在细胞分化、凋亡、肿瘤微环境这些条件下，细胞骨架重排，β-actin的表达同样会波动。文献里已经有大量报道：在某些肿瘤组织中β-actin表达上调2到3倍，在药物处理的细胞系中GAPDH波动可达1.5到2倍。

    所以内参基因选择策略不能拍脑袋，得用数据说话。验证流程是这样的：先选定一批候选内参基因，常见的有GAPDH、β-actin、18S rRNA、HPRT1、TBP、RPLP0、B2M等，建议至少选4到6个候选。然后在你的实验条件下（比如你要比较药物处理组vs对照组），把这些候选内参基因都跑一遍qPCR。拿到Ct值之后，用GeNorm或NormFinder算法来评估稳定性。

    GeNorm的原理是计算每个基因跟其他所有候选基因两两之间的表达稳定性比值，然后取几何平均，得出一个"M值"。M值越小说明这个基因越稳定。NormFinder用的是方差分析模型，直接计算组内和组间的变异，给出一个稳定性值。两个算法各有侧重，GeNorm更看中基因间的一致性，NormFinder更关注组间差异。实际操作中建议两个都跑，结果一致的最稳定。

    GeNorm还能告诉你需要几个内参基因。它会逐步剔除最不稳定的基因，每次剔除后重新计算剩余基因的M值，直到剩下最稳定的两个。如果前两三个基因的M值都很低且接近，用两到三个内参基因的几何平均数来做归一化就够了。

    多内参策略的核心思想是：任何一个内参基因都可能有波动，但多个稳定内参的几何平均能抵消单个基因的波动。比如你用GAPDH和HPRT1两个内参，各做归一化后取几何平均，结果的可靠性比单一内参高得多。这在发表文章时审稿人也很认可。

    特殊条件下内参漂移是个大坑。药物处理实验中，很多化疗药物会影响细胞代谢，GAPDH和β-actin都可能波动；缺氧条件下，HIF-1通路激活，一系列代谢基因表达改变，常见内参几乎全军覆没；肿瘤微环境中，肿瘤组织的异质性极高，同一个内参基因在不同分期或不同亚型的肿瘤中稳定性差异巨大。这些场景下建议用HPRT1（代谢不活跃基因）、TBP（转录因子，表达较稳定）或者RPLP0（核糖体蛋白）来做候选筛选。

    18S rRNA作为内参的陷阱得特别说一说。18S rRNA丰度极高，在总RNA中占的比例太大，导致它的Ct值通常很低（10到15循环左右），而你目的基因的Ct值可能在20到30之间。这造成两个问题：第一，动态范围压缩，18S的信号太强，很容易在低循环数就进入指数增长期并到达平台期，而目的基因还在线性增长阶段，两者的线性范围不重叠，归一化计算就不准确。第二，18S rRNA不受RNA完整性的影响太大，因为它太稳定了，即使RNA降解了它还能检测到信号，这意味着它不能反映RNA的质量，可能给你一个"假稳定"的错觉。所以18S rRNA做内参要特别谨慎，通常只在RNA质量参差不齐的回顾性样本中考虑使用。

四、2-ΔΔCt相对定量分析的使用前提与替代方案

    2-ΔΔCt相对定量分析是qPCR数据中最常用的计算方法，但很多人用起来根本不管它的前提假设，直接套公式，结果出来就发表。这一节咱们说说这个方法什么时候能用，什么时候不能用，不能用了用什么替代。

先讲清楚这个方法的数学原理。

ΔCt = Ct(目的基因) − Ct(内参基因)

ΔΔCt = ΔCt(处理组) − ΔCt(对照组)

Fold Change = 2^(−ΔΔCt)

    第一步ΔCt消除了模板上样量的差异。第二步ΔΔCt建立了相对于对照的表达变化倍数。最终那个2的指数来自一个核心假设：扩增效率为100%，即每轮扩增产物翻倍。

    这就引出了第一个关键假设：扩增效率必须接近100%。实际操作中，扩增效率在90%到110%之间（对应效率值0.9到1.1）是可以接受的。但你怎么知道自己的扩增效率是多少？得做标准曲线。

    标准曲线稀释法的操作步骤：把你的模板（cDNA或者质粒）做梯度稀释，通常做5到6个浓度点，每个点之间10倍稀释（比如1:1、1:10、1:100、1:1000、1:10000、1:100000）。每个浓度点做技术重复（至少3个复孔），跑qPCR拿到每个浓度的Ct值。然后以Ct值为Y轴，以浓度对数值为X轴做线性回归。这条直线的斜率就能算出扩增效率：E = 10^(−1/slope) − 1。斜率为−3.32时效率正好是100%（因为log₂(10)约等于3.32）。斜率在−3.1到−3.5之间对应效率在90%到110%之间，都是可接受的。同时看R²值，要求大于0.98，说明线性关系好。

    第二个关键假设：处理组和对照组的扩增效率必须一致。你的目的基因在对照组中的扩增效率可能很好（比如98%），但在药物处理组中，由于某些因素影响（比如RNA二级结构、PCR抑制物），效率可能降到85%。这种情况下，直接套2^(−ΔΔCt)公式就会高估表达变化倍数。

    效率不一致时怎么办？用Pfaffl法。这个方法分别考虑了目的基因和内参基因各自的扩增效率，做出来的结果更准确。

   Ratio = (E_target)^ΔCt(target, control−treatment) / (E_ref)^ΔCt(ref, control−treatment)

   其中 E = 扩增效率（效率100%时E=2，效率90%时E=1.9）

    缺点是你得分别做目的基因和内参基因的标准曲线来确定各自的效率，工作量增加不少。但如果你发现处理组和对照组效率差了5%以上，花这个功夫是值得的。

    ΔΔCt法在时间序列实验中的适用性需要讨论。如果你做的是0小时、6小时、12小时、24小时这样的时间梯度，每个时间点都有自己的对照组（通常是0小时），那ΔΔCt法可以对每个时间点单独计算相对于0小时的变化倍数。但如果你只有一个对照组，而处理组有多个时间点，那需要确保每个时间点的扩增效率跟对照组一致。时间序列的数据在统计上还有个特殊点，不能把不同时间点的ΔΔCt值当成独立数据来算均值和标准差，因为它们之间有时序依赖性，需要用重复测量ANOVA来分析。

    绝对定量的标准品制备也有讲究。质粒标准品的做法是把目的基因片段克隆到T载体或者质粒载体上，转化大肠杆菌提取质粒，定量后做10倍梯度稀释，算拷贝数。质粒标准品的优点是稳定、可重复、拷贝数精确，缺点是制备周期长，而且质粒跟cDNA的背景不同，可能存在基质效应。cDNA标准品的做法是直接把你的cDNA做梯度稀释当标准品，优点是跟实际样品背景一致，操作简单，缺点是无法精确知道拷贝数，只能做相对定量。大多数实验室的做法是：需要绝对定量的（比如病毒载量检测）用质粒标准品，做相对定量的直接用cDNA标准品来验证扩增效率就够了。

五、溶解曲线特异性验证与异常排查

    溶解曲线特异性验证是SYBR Green法qPCR的必备步骤，TaqMan法不需要这个步骤因为它本身就不检测非特异性产物。溶解曲线的原理是：PCR结束后，把产物从低温到高温缓慢升温（通常60℃到95℃），同时持续检测荧光信号。双链DNA在升温过程中逐渐解链，当到达Tm值时荧光信号急剧下降。仪器记录的是荧光随温度的变化率（−dF/dT），呈现为峰图。

    理想溶解曲线长什么样？一个词，干净。单峰，峰形窄而尖，Tm值稳定。你做技术重复的几个孔，Tm值差异不超过0.5℃，峰的位置和形状几乎完全重叠。这说明你的扩增产物只有一种，是特异性的。

图2：理想的qPCR溶解曲线，单峰、窄峰、Tm值稳定，表明扩增产物特异性良好

 

    双峰是最常见的问题。看到一个主峰旁边跟一个小峰，先别慌，分情况讨论。如果小峰的Tm值明显低于主峰（通常低5到10℃），而且在阴性对照（NTC，不加模板的孔）中也出现了同样位置的小峰，那几乎可以确定是引物二聚体。引物二聚体的Tm值低是因为片段短，热稳定性差。如果小峰的Tm值跟主峰接近（差2到3℃以内），NTC中没有出现，那可能是非特异性扩增，引物结合到了模板的其他位置，扩增出了长度不同但Tm值接近的产物。

    Tm值偏移也是一个需要关注的信号。同一批实验中，如果某些样品的Tm值跟其他样品偏移了1℃以上，可能的原因有几个：第一，序列变异，如果扩增区域存在SNP或者突变，产物的Tm值会变化，GC含量增加Tm升高，AT增加Tm降低；第二，盐浓度变化，如果不同孔之间反应体系配比有偏差，特别是Mg²⁺浓度不一致，Tm值会漂移；第三，DMSO或者其他添加剂的残留量不同，也会影响Tm值。遇到Tm偏移先查体系配制有没有问题，再考虑模板本身的序列差异。

    琼脂糖凝胶电泳验证的必要性在于：溶解曲线不是万能的。溶解曲线只能告诉你产物有几种，但不能告诉你每种产物的大小。电泳可以直接看到条带大小，帮你确认是不是你预期的片段。特别是当你看到溶解曲线有杂峰但不确定是什么的时候，跑个胶，用凝胶成像系统看条带大小。如果看到目标条带之外还有一条更短的条带，那基本就是引物二聚体了；如果多了一条更长的条带，那可能是非特异性扩增。所以建议至少在方法建立阶段，每对引物第一次跑的时候都做一次电泳验证。方法稳定后可以不再每次都跑胶，但一旦出现异常溶解曲线，电泳验证是排查的第一步。

    杂峰的排查流程我总结了一套标准的，第一步，看NTC。如果NTC孔也有信号且溶解曲线有峰，那问题出在引物本身会形成二聚体，跟模板无关。这种情况退火温度梯度优化是首选方案，逐步提高退火温度，看二聚体峰是否减弱消失。如果提温到一定程度后目的产物也扩不出来，那就得重新设计引物了。第二步，如果NTC干净，问题出在样品孔，做模板梯度稀释。有时候模板太浓会导致引物优先结合非特异位点，稀释10倍或100倍后非特异性扩增消失，目的信号反而更清晰。第三步，如果以上都试了还有杂峰，检查模板质量，RNA有没有降解、gDNA污染有没有去除干净、反转录效率如何。模板质量差是很多奇怪溶解曲线的根源。

    还有一个容易被忽略的点：溶解曲线的峰形不对称。理想的峰是对称的钟形，如果峰形偏斜，比如一边陡一边缓，可能是产物不均一，有多个Tm值接近的产物叠加在一起，这时候电泳验证特别重要。

六、qPCR实验条件优化的系统方法

    qPCR实验条件优化不是凭感觉来的，得有一套系统的方法。咱们逐个参数过。

    退火温度梯度实验是确定最优退火温度的标准操作。做法是把同一对引物、同一模板，在不同退火温度下跑PCR。现代qPCR仪器几乎都有温度梯度功能，一块96孔板可以同时设12个不同温度梯度，通常设置范围在55℃到65℃之间。跑完之后看两个指标：Ct值和溶解曲线。最优退火温度的选择标准是：Ct值最低（或者接近最低且稳定）、溶解曲线单峰且干净、扩增效率在90%到110%之间。温度太低，非特异性扩增增多，溶解曲线出杂峰；温度太高，扩增效率下降，Ct值偏大甚至扩增不出来。经验上，最优退火温度通常比引物Tm值低3到5℃，但实际最优值往往需要通过梯度实验来确定，不能光算。

    模板cDNA浓度范围的确定也很关键。太浓了，你的Ct值很低（比如15以下），看似信号好但可能超出仪器的线性检测范围，而且高浓度模板中的PCR抑制物（比如反转录反应中残留的DTT或者SDS）会抑制扩增，导致效率下降。太稀了，Ct值太高（比如35以上），接近检测下限，数据重复性差，而且低拷贝数下的扩增服从泊松分布，随机波动大。经验上，cDNA模板的Ct值落在18到30之间是最理想的动态范围。你可以做一个模板梯度稀释实验来确定合适的稀释倍数。

    Mg²⁺浓度对SYBR Green法的关键影响不容忽视，因为Taq酶是镁依赖的。Mg²⁺浓度太低，Taq酶活性不够，扩增效率低。太高，酶活性增强但同时非特异性扩增增加，因为Mg²⁺稳定引物-模板结合，包括不完美的非特异性结合。终浓度通常在1.5到3.0 mM之间，最常用的起点是2.0到2.5 mM。如果你发现扩增效率低想加Mg²⁺，加到3.0 mM还不行就别再加了，问题不在镁离子。反之如果溶解曲线有杂峰，可以试试降低Mg²⁺浓度到1.5 mM看非特异性是否减少。很多商品化master mix已经固定了Mg²⁺浓度，这时候你就没法调了，只能通过引物设计和退火温度来控制特异性。

    ROX参比染料的作用经常被误解。ROX是一种参比荧光，提供恒定的荧光信号，用来校正孔间光学差异，加样体积的差异、光源强度的波动、检测器的不均一性。不同仪器对ROX的要求不一样：ABI的仪器（比如7500、7900、QuantStudio系列）需要ROX来做基线校正，如果你不加ROX或者加的浓度不对，数据质量会明显下降。Bio-Rad的CFX系列和Roche的LightCycler系列不依赖ROX，加了也没关系但不加也行。很多商品化master mix里已经预混了ROX，买的时候要看清楚是高浓度ROX还是低浓度ROX版本，要跟你仪器匹配。用错了版本，要么信号过强导致动态范围压缩，要么信号太弱导致校正失效。

    UNG防污染系统是防止气溶胶污染的利器，原理是用dUTP替代dTTP，所有扩增产物中都含U碱基。UNG（尿嘧啶DNA糖基化酶）在反应前先处理，把含U的旧产物降解掉，消除残留产物污染。实操要点：第一，dUTP必须完全替代dTTP，部分替代效果不好；第二，UNG在50℃左右活性最高，在95℃变性阶段被灭活，所以反应程序里要在PCR循环开始前加一个50℃保温2到10分钟的UNG处理步骤；第三，如果你用TaqMan探针法，探针本身不含dU不会被UNG切掉，没问题。但要注意，UNG只能防止产物污染，不能防止模板污染和引物污染。

    反应体系小量化优化是个省钱省模板的策略。标准qPCR反应体系通常是20μL或25μL，很多实验室改成10μL甚至5μL。小体系的好处是模板和试剂用量减半甚至更少，特别在模板量有限的实验中（比如单细胞qPCR、微量活检样本）。但要注意几个问题：第一，小体系对加样精度的要求更高，10μL体系中1μL的偏差就是10%的误差，建议用多道移液器或者电子移液器来减少变异；第二，蒸发风险增大，封膜要更仔细；第三，某些仪器对小体积的检测灵敏度可能下降，做小体系之前先做一个10μL vs 20μL的对比实验，确认Ct值一致再大规模切换。

七、MIQE指南与实验报告规范

    MIQE指南（Minimum Information for Publication of Quantitative Real-Time PCR Experiments）是2009年发表的一套规范，核心精神就一句话：可重复性比"漂亮的数据"更重要。你的实验报告必须包含足够的信息，让别人能重复你的实验、验证你的结论。听起来简单，但实际执行中大量论文做不到。

必须报告的实验信息清单，我梳理了几个关键项。

信息类别	必须报告的具体内容
引物信息	正反向引物序列（5'→3'）、浓度、Tm值
扩增效率	标准曲线斜率、效率值（%）、R²值
RNA质量	RIN值或28S/18S比值、浓度、纯度（A260/A280）
反转录条件	酶类型、引物类型（oligo dT/随机六聚体）、反应温度和体积
内参基因	基因名称、稳定性验证方法和数据
数据重复	明确区分生物学重复和技术重复的n值
溶解曲线	代表性溶解曲线图（至少放补充材料）

    生物学重复vs技术重复的区分至关重要，这直接影响你的统计检验和结论可信度。技术重复是同一个样品跑多个复孔，你从一份cDNA中取三次上qPCR，这三次之间的差异反映的是加样误差和仪器波动。生物学重复是不同个体或不同培养瓶/孔的独立样本，你养了三批细胞，每批独立处理、独立提RNA、独立反转录，然后每批再上qPCR。生物学重复反映的是真实的生物学变异。统计检验用的是生物学重复的数据，技术重复只用来提高单次测量的精度，取平均后作为一个生物学重复的数据点。一个常见错误是：用同一份cDNA跑三个技术复孔，然后把这三个Ct值当成三个独立数据点去做t检验。这在统计上是错误的，因为这三个数据点不是独立的，你的样本量n实际上等于1。

    误差棒的选择，SD vs SEM。标准差（SD）反映的是数据本身的离散程度，标准误（SEM）反映的是均值估计的精度（SEM = SD / √n）。审稿人的共识是：如果你要展示数据的分布范围和变异程度，用SD；如果你要展示你对真实均值的估计有多精确，用SEM。但实际中很多人用SEM纯粹是因为SEM看起来小，图上误差棒短，"好看"。这是不诚实的做法。建议在样本量小（n≤5）的时候用SD更合适，因为SEM在样本量小的时候对真实精度的估计本身就不准。

    最关心的qPCR问题：

    1. 你的内参验证了吗？，别光说用GAPDH，要展示验证数据。

    2. 扩增效率是多少？，没做标准曲线的文章被拒概率很高。

    3. RNA质量如何？，RIN值低于7的RNA能不能用，审稿人会质疑。

    4. 技术重复和生物学重复搞混了吗？，n值是哪个要写清楚。

    5. 统计方法合理吗？，两组比较用t检验，多组比较用ANOVA加事后检验。

    6. 引物特异性怎么验证的？，光说溶解曲线单峰不够，有没有电泳验证？

    还有一个常被问到的："你用的ΔΔCt法，扩增效率验证了吗？"，如果你声称用2^(−ΔΔCt)，审稿人有权要求你证明扩增效率在90%到110%之间且处理组和对照组一致。没有效率验证数据的ΔΔCt法分析，可信度大打折扣。

八、数据分析实操与统计检验

    前面的章节讲的是怎么做实验，这一节讲怎么处理数据。很多实验做得很漂亮，但数据分析这步搞砸了，结论就偏了。

    Ct值异常值剔除的标准。先说清楚，不是所有看起来"不对劲"的Ct值都能扔。判断是否剔除的标准有两条：第一，技术复孔之间Ct值差异超过0.5个Ct的，先检查是不是加样问题（比如气泡、漏加），如果无法确认原因，三个复孔取两个最接近的值，或者整组重做。第二，Ct值超过35的，在大多数实验中接近检测下限，数据不可靠。但这里有个前提，你的阳性对照也得在合理范围内。如果阳性对照Ct值在20左右，样品Ct值35，这个信号可能是真实的低表达，也可能是背景噪声。建议对Ct值大于35的样品用重复实验来确认，如果两次结果一致才算有效。什么时候不能扔？如果你的数据不符合预期就想扔，这叫选择性报告，是不道德的。扔数据的唯一标准是技术原因，不是结果不满意。

    多组比较的统计方法选择。两组比较用非配对t检验（student's t-test），前提是数据正态分布且方差齐。如果两组方差差异大，用Welch's t检验。如果数据不正态，用Mann-Whitney U检验。多组比较用one-way ANOVA，比如对照组、低剂量组、中剂量组、高剂量组，四组数据一起比较。ANOVA的p值告诉你"至少有一组跟其他组不同"，但不知道是哪组。所以还得做事后检验来定位具体差异，常用的有Tukey's HSD（比较所有可能的组合）和Dunnett's test（只跟对照组比）。很多文章做完ANOVA就报个p值，没有事后检验，审稿人会觉得不完整。时间序列数据用two-way ANOVA，一个因子是处理组别，另一个因子是时间点。

    Fold Change的合理范围和log2转换。2^(−ΔΔCt)算出来的Fold Change如果是2，表示表达上调2倍；如果是0.5，表示下调2倍。Fold Change的数值在"上调"和"下调"方向上的尺度是不对称的，上调可以到无穷大，下调最低只能是接近0。这种不对称使得直接用Fold Change做柱状图和统计检验时会有偏差。所以实际分析中通常做log2转换：log2(2) = 1，log2(0.5) = −1，这样上调和下调的尺度对称，数据分布更接近正态，统计检验更合理。在图表展示上，很多审稿人也更倾向于看log2转换后的数据。

图3：qPCR数据分析可视化，叠加散点图的柱状图能同时展示均值、误差棒和个体数据点分布

 

    qPCR与RNA-seq数据不一致时的排查思路。这个问题太常见了，RNA-seq说某基因上调3倍，qPCR做出来上调1.5倍，方向对不上或者倍数差太多。排查思路：第一，检查RNA-seq的差异表达分析条件，padj阈值、fold change阈值设的是否合理。第二，检查qPCR引物扩增的转录本跟RNA-seq检测的转录本是不是同一个，很多基因有多个转录本亚型，RNA-seq可能检测的是所有亚型的总和，qPCR引物可能只针对其中一个亚型。第三，RNA-seq的read count跟qPCR的Ct值之间的对应关系不是线性的，RNA-seq的动态范围比qPCR大很多，高表达基因在RNA-seq中可能被"饱和"效应影响，低表达基因在qPCR中可能受检测下限影响。第四，检查内参基因在RNA-seq和qPCR中是否一致，如果你qPCR用GAPDH做内参，但RNA-seq显示GAPDH在你的实验条件下不稳定，归一化结果就会不一致。

    数据可视化：柱状图vs散点图。柱状图是传统选择，展示均值和误差棒，简洁明了。但它有个致命缺点：看不到个体数据点的分布，你不知道样本量是3还是30，不知道有没有离群值，不知道数据是正态分布还是偏态。散点图（或者柱状图叠加散点图）更诚实，每个点是一个生物学重复的数据，读者自己判断数据质量。这几年高影响力期刊越来越倾向于要求或者推荐使用散点图。建议当n≤10的时候，用散点图或者叠加散点图的柱状图；n大的时候可以用纯柱状图加误差棒，但在图注里注明n值。

    最后说一个实操细节：qPCR数据处理软件（比如ABI的QuantStudio软件或者Bio-Rad的CFX Manager）自动算出来的ΔΔCt和Fold Change，你要核对其中的计算逻辑。有些软件默认的对照组选择可能不对，有些软件的内参选择可能需要手动指定。别完全依赖软件的自动分析，自己用Excel或者R把关键数据手算一遍，至少对几个样品验证一下，确保软件逻辑跟你预期一致。数据是实验的最终产出，算错了前面的努力全白费。