简介：这份PPT学习教案面向生物信息学入门者、转录组测序初学者及需要系统梳理实验流程的科研人员，围绕转录组测序原理展开讲解，帮助读者建立从实验到数据分析的完整认知框架。资源包内含1个pptx文件，大小约3.03MB，以幻灯片形式组织内容，便于课堂讲授与自学翻阅。教案按样品检测、文库制备、Cluster Station、Illumina Sequencing和生物信息分析五个环节依次展开，具体涉及Agilent 2100检测中OD260/280、RNA 28S:18S与RIN等质控指标，磁珠法mRNA纯化、反转录、末端修复与adapter连接等建库步骤，以及桥式扩增形成DNA簇群、SBS测序技术和reads mapping、基因表达分析等要点，并配有合格与不合格样品检测报告等图示。目前已有210人学习，适合作为测序原理课程的配套讲义或实验前的流程速查材料。
1. 转录组测序原理PPT学习教案：从一张幻灯片到能讲清全流程
如果你手里正拿着一份“转录组测序原理PPT学习教案.pptx”，大概率不是要自己看，而是要讲给别人听——组会汇报、课程试讲、新员工培训，或者给刚进实验室的师弟师妹做入门串讲。这件事的难点从来不是“把PPT念一遍”，而是你站在投影前，能不能用一页流程图把“RNA提取→文库构建→测序→比对→定量→差异分析”这条链路讲得让听众不犯困、不走神、不追问到冷场。我见过太多人把教案做成名词堆砌：FASTQ、FPKM、TPM、可变剪接、比对率，一页塞十几个术语，讲完自己都心虚。这份教案真正要解决的是：让零基础听众在40分钟内建立“转录组测序到底在测什么、数据长什么样、分析在算什么”的完整心智模型。适合谁？适合第一次承担教学任务的研究生、需要给跨部门同事做技术普及的工程师，以及想系统梳理自己知识盲区的从业者。
2. 教案骨架怎么搭：从中心法则到一张能讲完的流程图
2.1 先定教学锚点：听众离“测序”有多远
搭教案的第一步不是打开PPT，而是判断听众的起点。我把听众粗分三类：第一类完全没接触过分子生物学，连DNA和RNA的区别都要想三秒；第二类做过PCR或Western blot，知道核酸提取但没碰过测序；第三类跑过分析流程，但说不清建库里每一步在干什么。三类人对应的教案重心完全不同。
对第一类，你的前10页必须花在“为什么测RNA而不是测DNA”上。核心逻辑是：DNA告诉你“可能发生什么”，RNA告诉你“正在发生什么”。同一个体的肝细胞和神经细胞DNA完全一样，但mRNA截然不同，这就是转录组的意义。这个点讲不透，后面所有分析都是空中楼阁。
对第二类，重点放在“从RNA到可测序文库”的转换逻辑。他们理解核酸提取，但不理解为什么要把RNA反转成cDNA、为什么要加接头、为什么要PCR扩增。你需要用“把长文本切成短句并贴上统一标签”的类比把建库讲清楚。
对第三类，重心后移到定量算法和差异分析的统计模型。他们缺的不是流程，而是“为什么FPKM被TPM取代”“为什么DESeq2和edgeR结果不完全一致”这类判断依据。
我的习惯是在教案第一页放一张“听众自测表”，三个问题：你知道RNA和DNA在化学上的区别吗？你跑过或看过测序数据吗？你能解释FPKM和TPM的区别吗？根据举手情况现场调整讲解深度。这个动作看起来简单，但能让你避免“讲太浅被嫌弃、讲太深没人跟”的翻车。
2.2 用一张主线流程图串起六个模块
教案最怕散。我的做法是：整个PPT只围绕一张主线流程图展开，每讲一个模块就回到这张图，高亮当前节点。这张图包含六个模块：
| 模块 | 核心问题 | 对应幻灯片数 |
|---|---|---|
| RNA提取与质控 | 测什么、样本合格吗 | 3-4页 |
| 文库构建 | 怎么把RNA变成测序仪能读的格式 | 5-6页 |
| 测序反应 | 仪器到底在读什么 | 3-4页 |
| 原始数据与质控 | FASTQ里有什么、怎么判断好坏 | 4-5页 |
| 比对与定量 | 怎么从reads算出表达量 | 5-6页 |
| 差异分析与解释 | 怎么找差异、怎么避免假阳性 | 4-5页 |
这张表本身就是教案的骨架。每一页PPT都挂在某个模块下，讲的时候不断回到主线图，听众就不会迷失。我一般会在PPT母版里放一个进度条，当前模块高亮，其他灰显。
2.3 每页PPT只回答一个问题
这是我从多次试讲翻车中总结的铁律。一页PPT如果试图同时讲“建库流程”和“接头序列设计”，听众的注意力会碎掉。正确做法是：每页标题就是一个问句，正文用图或表回答它。
比如建库部分，我会拆成三页：
- “为什么必须反转成cDNA？”——答：RNA不稳定且测序仪读不了RNA。
- “接头是干什么的？”——答：给每个片段加上测序引物结合位点和样本标签。
- “PCR扩增为什么不能太多轮？”——答：会引入重复和偏好性。
每页只回答一个问题，讲完就翻页。听众的认知负荷是有限的，一页塞两个问题，第二个一定被忽略。
2.4 用“数据长什么样”替代抽象描述
教案里最容易讲虚的就是“测序原理”。我的做法是直接展示数据。打开一个FASTQ文件的前几行，让听众看到真实的reads序列和质量值：
@SRR1234567.1 1 length=150 GATCGGAAGAGCACACGTCTGAACTCCAGTCACATCACGATCTCGTATGCCGTCTTCTGCTTG + IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII然后逐行解释：第一行是read ID，第二行是碱基序列，第三行是分隔符，第四行是每个碱基的质量分数。质量值Q和错误率P的关系是Q = -10log10(P)，Q30意味着错误率0.1%。这个具体数字比任何“质量很重要”的表述都有说服力。
接着展示比对后的BAM文件格式，用samtools view看一条比对记录，解释CIGAR字符串的含义。听众看到真实数据后，对“测序”的理解会从抽象变成具体。
2.5 教案里必须有的三个互动点
纯讲授的教案撑不过20分钟。我会在三个位置插入互动：
第一个互动在讲完RNA提取后，问：“如果提取的RNA有DNA污染，测序结果会怎样？”让听众猜，然后展示一个实际案例——DNA污染会导致内含子区域出现异常覆盖。
第二个互动在讲完定量后，给出一组TPM值，让听众判断哪个基因表达更高。很多人会误以为TPM总和为1所以可以直接比较，实际上TPM是归一化后的相对值，跨样本比较需要谨慎。
第三个互动在讲差异分析前，给出一个场景：“对照组3个样本，处理组3个样本，某个基因在对照组表达量分别是10、12、11，处理组是100、105、98，p值很小，但你能直接下结论吗？”引导听众思考生物学重复和技术重复的区别。
这三个互动点让教案从“单向输出”变成“双向验证”，听众的参与感会明显提升。
3. 把建库和测序讲透：从RNA到FASTQ的每一步参数
3.1 RNA提取与质控：RIN值到底看什么
建库的起点是RNA质量。教案里必须讲清楚两个指标：浓度和完整性。浓度用Qubit或NanoDrop测，但两者原理不同——NanoDrop测的是紫外吸收，受DNA和蛋白污染影响；Qubit用荧光染料，只结合双链DNA或RNA，更准确。我一般建议教案里写：浓度以Qubit为准，NanoDrop的260/280和260/230作为纯度参考。
完整性用RIN值（RNA Integrity Number）衡量，范围1-10。RIN算法基于电泳图谱中18S和28S rRNA峰的比例和降解产物的多少。RIN大于7适合建库，大于8更理想。但要注意：RIN值对某些组织不适用，比如降解本身就很快的胰腺或某些植物组织。教案里可以放一张RIN=9和RIN=5的 electropherogram 对比图，让听众直观看到降解峰。
提示：如果教案面向植物或特殊样本，要补充说明RIN的局限性，避免听众把RIN当成万能指标。
3.2 文库构建的两种主流策略：polyA富集 vs rRNA去除
这是教案里必须讲清的选型分叉。两种策略对应不同实验目的：
polyA富集：用oligo(dT)磁珠抓取带polyA尾的mRNA。优点是mRNA纯度高、成本低；缺点是依赖polyA尾完整性，降解样本效果差，且无法捕获非polyA RNA（如部分lncRNA和原核RNA）。
rRNA去除：用探针杂交去除rRNA，保留所有其他RNA。优点是适用于降解样本和非polyA RNA研究；缺点是rRNA去除效率影响数据质量，成本更高。
教案里可以做一个决策表：
| 场景 | 推荐策略 | 理由 |
|---|---|---|
| 新鲜真核样本、关注mRNA | polyA富集 | 成本低、mRNA富集效果好 |
| 降解样本或FFPE样本 | rRNA去除 | polyA尾可能断裂 |
| 关注lncRNA或前体RNA | rRNA去除 | 这些RNA可能没有polyA尾 |
| 原核样本 | rRNA去除 | 原核mRNA没有polyA尾 |
这个表能让听众在后续实验设计时有据可依。
3.3 片段化、反转录与接头连接的关键参数
建库流程的每一步都有参数窗口。教案里不需要写得太深，但几个关键数字要讲：
片段化：目标插入片段大小通常在200-300bp。片段化时间过长会导致插入片段过短，比对时多映射增加；过短则插入片段太长，测序读长覆盖不全。我一般会写：片段化后用Agilent Bioanalyzer确认分布，主峰在250-300bp之间比较理想。
反转录：用随机引物还是oligo(dT)引物？随机引物对降解样本更友好，但可能引入rRNA来源的cDNA；oligo(dT)引物特异性更强，但依赖polyA尾。常见做法是随机引物和oligo(dT)混合使用。
接头连接：接头包含测序引物结合位点和样本index。index用于 multiplexing，不同样本用不同index序列，一次测序可以混合多个样本。教案里要提醒：index序列不能有交叉污染，且要检查index hopping（索引跳跃）的风险。
3.4 测序反应：边合成边测序的化学逻辑
测序原理是教案里最容易讲成“黑匣子”的部分。我的做法是用“边合成边测序”这条主线讲清楚：
- 文库加载到flow cell上，接头与flow cell上的引物互补结合。
- 桥式PCR扩增形成簇（cluster），每个簇包含约1000个相同序列的拷贝。
- 测序引物结合，加入四种荧光标记的dNTP和聚合酶。
- 每轮只加一个碱基，洗掉未结合的dNTP，拍照记录荧光信号。
- 切除荧光基团和阻断基团，进入下一轮。
关键参数：读长（通常PE150，即双端各150bp）、簇密度、Q30比例。教案里可以放一张测序仪内部结构的示意图，标注flow cell、试剂通道和光学系统。
注意：不同测序平台的化学原理有差异，教案里如果只讲一种平台，要注明适用范围，避免听众误以为所有平台都一样。
3.5 从FASTQ到比对：数据质控的四个必看指标
测序完成后拿到FASTQ文件，教案里要教听众看四个指标：
- 总reads数：决定数据量是否足够。一般mRNA-seq建议每个样本20-30M reads。
- Q30比例：大于85%算合格，大于90%算优秀。
- GC含量：应与物种基因组GC含量接近，偏离过大可能有污染。
- 接头污染比例：用FastQC或fastp检测，过高需要 trimming。
我一般会在教案里放一段fastp的命令示例：
fastp -i sample_R1.fastq.gz -I sample_R2.fastq.gz \ -o clean_R1.fastq.gz -O clean_R2.fastq.gz \ --detect_adapter_for_pe \ --qualified_quality_phred 20 \ --length_required 36 \ --json report.json --html report.html参数说明：--detect_adapter_for_pe自动检测双端接头；--qualified_quality_phred 20表示Q20以下碱基被修剪；--length_required 36表示修剪后短于36bp的reads丢弃。跑完后打开HTML报告，重点看过滤前后Q30比例和reads长度的变化。
3.6 比对与定量：从BAM到表达矩阵的完整链路
比对是教案里技术密度最高的部分。核心逻辑是：把reads映射到参考基因组或转录组上，然后统计每个基因的reads数。
常用比对工具：STAR和HISAT2。STAR速度快但内存消耗大，HISAT2内存友好但速度稍慢。教案里可以写：人类基因组用STAR需要约30GB内存，HISAT2约8GB。
比对完成后得到BAM文件，用featureCounts或HTSeq统计每个基因的reads数：
featureCounts -T 8 -p -a annotation.gtf \ -o counts.txt \ aligned_1.bam aligned_2.bam aligned_3.bam参数说明：-T 8使用8个线程；-p表示双端数据；-a指定注释文件。输出counts.txt可以直接读入R做差异分析。
从counts到TPM需要两步归一化：先除以基因长度得到RPK，再除以所有基因RPK的总和乘以10^6。教案里可以给一个手算示例，让听众理解TPM的数学含义。
4. 教案里最容易翻车的五个坑：从试讲反馈倒推修改
4.1 坑一：把“转录组”和“全基因组”混着讲
现象：听众问“转录组测序能测到突变吗”，你回答“能”，然后被追问“那和全基因组测序有什么区别”时卡住。
原因：转录组测序确实能检测到编码区的变异，但它的主要目的是定量表达，不是变异检测。全基因组测序覆盖整个基因组，包括非编码区。
解决：教案里明确写一句“转录组测序的变异检测仅限于转录区域，且受表达量影响，低表达基因的变异很难可靠检出”。把边界划清楚，听众就不会混淆。
4.2 坑二：FPKM和TPM混用不解释
现象：教案里一会儿用FPKM一会儿用TPM，听众问“这两个有什么区别”时，你只说“都是归一化方法”。
原因：FPKM先归一化测序深度再归一化基因长度，TPM先归一化基因长度再归一化测序深度。数学顺序不同导致TPM的跨样本可比性更好。
解决：教案里放一个对比表，列出计算步骤和适用场景。明确写：现在主流推荐TPM，FPKM在旧文献中常见但跨样本比较有局限。
4.3 坑三：差异分析只讲p值不讲多重检验校正
现象：听众看到某个基因p=0.03就以为显著，你忘了提FDR校正。
原因：转录组同时检验两万个基因，p<0.05会产生约1000个假阳性。必须用Benjamini-Hochberg等方法校正。
解决：教案里用具体数字说明：两万个基因，p<0.05的假阳性期望是1000个；校正后FDR<0.05，假阳性期望降到可控范围。然后展示padj列在结果表中的位置。
4.4 坑四：不讲生物学重复的必要性
现象：听众问“我只有一个样本能不能做差异分析”，你回答“可以但不可靠”，但说不出具体原因。
原因：没有生物学重复，无法估计组内变异，统计检验的效力极低。n=1时任何差异都可能是个体差异。
解决：教案里放一张图：n=1、n=3、n=5时差异分析结果的假阳性率和检出力对比。明确写：至少3个生物学重复是底线，n=5以上更可靠。
4.5 坑五：忽略批次效应
现象：教案里只讲实验流程，不讲批次效应，听众后续实验把不同批次样本混在一起分析，结果全是批次差异。
原因：不同时间、不同操作者、不同试剂批次都会引入系统性偏差。批次效应可能比生物学差异还大。
解决：教案里加一页讲批次效应的识别和处理。识别方法：PCA图上样本按批次聚集而不是按处理组聚集。处理方法：在差异分析模型中加入批次作为协变量，或用ComBat等工具校正。
5. 让教案经得起追问：三个验证方法和一个进阶技巧
5.1 用“反向提问”检验教案逻辑
教案写完后，我一般会做一次反向提问：假设我是听众，我会在哪里问“为什么”。比如讲到“反转录用随机引物”，我会问“为什么不用oligo(dT)”；讲到“TPM归一化”，我会问“为什么不直接用counts”。如果教案里没有回答这些“为什么”，就补上。
具体操作：把教案的每一页标题改成一个问句，然后检查正文是否回答了它。如果某页标题是“建库流程”，改成“建库流程为什么需要反转录和接头连接”，然后看正文有没有回答。没有就补，有就过。
5.2 用“三分钟复述”验证听众理解
试讲时，我会在讲完每个模块后随机点一位听众，让他用三分钟复述刚才的内容。如果复述时卡在某个概念上，说明那个地方讲得不够清楚。
这个方法的变体是“画图验证”：让听众在白纸上画出从RNA到表达矩阵的流程。能画出来说明理解了，画不出来说明教案有断层。我一般会在教案最后留一页空白，专门用于这个互动。
5.3 用“参数改错”验证听众的判断力
教案里可以设计一个“找错误”环节：给出一段分析命令或参数设置，让听众找出问题。比如：
# 以下命令有什么问题？ featureCounts -T 8 -p -a annotation.gtf -o counts.txt aligned.bam问题：单端数据用了-p参数，且只输入了一个BAM文件但-p通常用于双端。这个练习能检验听众是否真正理解了参数含义。
5.4 进阶技巧：把教案改成“可执行清单”
教案的终极形态不是PPT，而是一份可执行清单。听众听完后，拿着清单就能自己跑一遍分析。我的做法是在教案最后附一份“最小可复现流程”：
| 步骤 | 工具 | 命令/操作 | 预期输出 |
|---|---|---|---|
| 质控 | fastp | fastp -i R1.fq -I R2.fq ... | clean FASTQ + HTML报告 |
| 比对 | STAR | STAR --genomeDir ... | BAM文件 |
| 定量 | featureCounts | featureCounts -a ... | counts矩阵 |
| 差异分析 | DESeq2 | dds <- DESeqDataSetFromMatrix(...) | 差异基因表 |
这份清单让教案从“听懂”变成“能做”。我一般会告诉听众：先照着清单跑一遍，跑通后再回头理解每一步的原理，比先啃原理再动手效率高得多。
5.5 一个我反复踩坑后才养成的习惯
每次讲完教案，我会记录三个问题：哪个地方听众眼神最迷茫？哪个问题被问得最多？哪个环节超时最严重？下一次讲之前，先改这三个地方。这个习惯让我的教案在五轮试讲后基本没有冷场点。
转录组测序原理的教案，核心不是覆盖多少知识点，而是让听众在离开时能用自己的话讲清楚“测序在测什么、数据怎么来、分析在算什么”。如果你也在准备这份教案，希望帮到你。
本文还有配套的精品资源，点击获取
