RNA-seq新手必看：如何正确选择FPKM、RPKM还是CPM指标？

RNA-seq数据分析指南：FPKM、RPKM与CPM指标的科学选择策略

刚接触RNA-seq数据分析的研究者，常会在处理表达量数据时陷入选择困境——面对FPKM、RPKM和CPM这三种常见指标，究竟哪种最适合自己的研究场景？这个问题看似基础，却直接影响后续分析的可靠性。就像显微镜的不同放大倍数，选错指标可能让我们错过关键生物学发现，甚至得出错误结论。

1. 理解RNA-seq表达量指标的核心逻辑

RNA-seq技术通过高通量测序获得转录组数据，其核心价值在于量化基因表达水平。但原始测序数据（read counts）就像未经加工的矿石，需要经过标准化处理才能进行有意义的比较。这种标准化的本质，是消除技术偏差对生物学信号的影响。

read counts的局限性直接催生了各类标准化指标：

• 测序深度差异：样本间总测序量不同
• 基因长度差异：长基因会捕获更多reads
• 组成偏差：少数高表达基因占据大量reads

提示：大多数差异表达分析工具（如DESeq2、edgeR）要求输入原始read counts而非标准化后的值，因为它们的内部算法已包含标准化步骤

三种主流指标的计算公式对比：

2. CPM：最基础的相对定量方法

CPM（Counts Per Million）是最直观的标准化方法，其核心思想是将每个基因的read counts除以总reads数（以百万为单位）。这种方法的优势在于计算简单，能快速反映基因在样本中的相对丰度。

典型使用场景：

• 初步数据质控时快速浏览基因表达模式
• 当基因长度相近或长度影响可忽略时（如miRNA分析）
• 作为其他复杂标准化方法的输入基准

但CPM有明显的局限性：

# 计算CPM的R代码示例 calculate_cpm <- function(count_matrix) { total_counts <- colSums(count_matrix) t(t(count_matrix) / total_counts) * 1e6 }

注意：CPM未考虑基因长度差异，因此不适合直接用于：

• 不同长度基因间的表达量比较
• 样本间的差异表达分析
• 需要绝对定量的下游分析

3. RPKM/FPKM：引入长度校正的进化指标

RPKM（Reads Per Kilobase per Million）和FPKM（Fragments Per Kilobase per Million）在CPM基础上增加了基因长度校正，解决了长基因天然捕获更多reads的问题。两者的区别仅在于：

• RPKM适用于单端测序数据
• FPKM适用于双端测序数据

关键计算步骤：

1. 对每个基因的read counts进行测序深度标准化（CPM步骤）
2. 除以基因长度（以千碱基为单位）
3. 最终值代表每千碱基基因长度每百万reads的映射read数

def calculate_rpkm(counts, gene_lengths, total_reads): """ 计算RPKM值 :param counts: 基因read counts数组 :param gene_lengths: 基因长度数组(kb) :param total_reads: 样本总reads数(百万) :return: RPKM值数组 """ return (counts / gene_lengths) / total_reads

实际应用中常遇到的困惑：

• 长度计算标准：应该使用外显子总长度还是转录本长度？
• 多转录本基因：选择最长转录本还是主要异构体？
• 重叠基因区域：如何合理分配共享reads？

4. 科学选择指标的决策框架

选择表达量指标不是简单的优劣判断，而应该基于具体分析目标。以下是关键决策因素：

分析类型决定指标选择：

• 差异表达分析 → 优先使用raw counts配合专用工具
• 样本间基因比较 → RPKM/FPKM更合适
• 可视化展示 → 通常使用log2转换后的RPKM/FPKM
• 通路分析 → TPM可能比RPKM更优

实验设计考量：

• 单端vs双端测序 → 决定用RPKM还是FPKM
• 基因长度分布 → 长度差异大时需要校正
• 预期表达动态范围 → 高动态范围需更稳健的标准化

常见错误认知修正：

• ✖ "RPKM值可以直接比较不同实验间的表达量"
• ✖ "FPKM比RPKM更准确"（只是适用测序类型不同）
• ✖ "高RPKM值意味着高生物学重要性"

5. 超越基础指标：TPM与新兴标准化方法

虽然本文聚焦FPKM/RPKM/CPM，但现代RNA-seq分析已发展出更先进的标准化方法：

**TPM（Transcripts Per Million）**的优势：

• 更符合生物学直觉的解释
• 样本间加和一致，便于比较
• 逐渐成为许多新工具的首选输出

# 使用stringtie计算TPM的典型命令 stringtie -e -B -G annotation.gtf -o output.gtf -A gene_abundances.tsv aligned_reads.bam

其他值得关注的方法：

• 反卷积方法（如Salmon、kallisto）
• 基于外显子长度的标准化
• 考虑GC含量偏差的校正

实际操作中，我发现许多分析流程已默认输出多种标准化值。关键不是寻找"最佳"指标，而是理解每种指标背后的假设，根据分析目标做出知情选择。例如，在最近一项肿瘤异质性研究中，我们同时使用FPKM和TPM值交叉验证关键标志基因的表达模式，这种多角度验证显著提高了结果的可信度。