qPCR 内参基因怎么选？

文献核心摘要

这篇论文讨论的是 RT-qPCR 里很容易被忽略、但会直接影响结论的问题：内参基因不能只凭习惯选 GAPDH、ACTB 或 18S rRNA，而是要在具体样本和处理条件下验证稳定性。

作者把同一批候选 reference genes 放进不同软件包中分析，比较 geNorm、NormFinder、BestKeeper、qBasePLUS 以及 R 包的结果。论文的重点不是提出一个新的湿实验流程，而是告诉读者：内参验证的计算工具、PCR efficiency 输入方式和数据预处理都会影响最终排序。

这篇论文做了什么实验

论文使用 RT-qPCR 检测 14 个候选内参基因，并用不同软件对表达稳定性进行排序。作者特别关注一个现实问题：同一组 Cq 数据，放进不同工具后，内参排序是否一致。

这对普通实验很有参考价值，因为很多 qPCR 结果出问题，不是扩增曲线本身看起来很差，而是归一化时用了不稳定内参，导致目标基因 fold change 被放大或压低。

论文阅读笔记

作者为什么做这个实验

这篇论文的出发点不是“再证明一次内参重要”，而是更具体地问：当实验者已经决定验证内参时，不同软件会不会给出不同答案。

这个问题很实际。很多实验室会把候选内参的 Cq 值丢进 RefFinder、geNorm、NormFinder 或 BestKeeper，然后直接拿排名最高的基因做归一化。论文指出，软件之间的差异不只是界面不同，还包括输入数据形式、是否考虑 PCR efficiency、算法关注的变异类型，以及是否能给出推荐内参数量。

所以这篇论文更像一个“内参验证工具使用说明书”：它提醒读者不要把软件输出当成绝对答案，要先看输入数据和算法假设。

实验设计逻辑

作者用了两类样本体系做验证。一类是含 carcinoma in situ 的人睾丸组织样本，另一类是人 Sertoli 细胞系 FS1 的培养和共培养模型。这样设计的好处是：既包含组织样本，也包含细胞培养样本，能观察不同生物体系中内参稳定性和软件输出是否一致。

候选基因数量是 14 个，覆盖 TBP、UBC、SDHA、HMBS、B2M、HPRT1、GAPDH、ACTB、RPS18 等常见 reference genes。这个数量足够让算法比较出稳定性差异，也避免只在少数传统内参里“矮子里拔高个”。

读这篇论文时要抓住的主线

读这篇论文不要先纠结哪个基因排名第一，而是按下面这条线看：

1. 作者先拿同一批 Cq 数据做内参稳定性分析。
2. 再比较原始软件、R 包和 RefFinder 的输出差异。
3. 然后单独测试 PCR efficiency 是否会改变 geNorm 和 NormFinder 的排序。
4. 最后讨论为什么只输入 raw Cq 的工具可能带来偏差。

换句话说，这篇论文的重点不是给你一个“最佳内参名单”，而是告诉你内参验证的结论会被数据处理方式影响。

关键原文怎么读

Abstract：这篇论文真正要解决的问题

原文位置：Abstract 里关于 reference gene validation software 的描述。

这一段的重点不是“qPCR 需要内参”这个常识，而是作者明确把问题指向软件选择和数据处理：同一批候选内参，用不同工具分析时，结果可能并不完全一样。

中文理解可以抓住一句话：这篇论文是在提醒你，内参验证不是把 Cq 值丢进软件就结束了，软件背后的算法和输入要求会影响最终推荐。

对实验的意义：如果你的文章或实验报告里只写“使用 RefFinder 选择 GAPDH 作为内参”，但没有说明候选基因、扩增效率和其他软件验证，证据是不够完整的。

Introduction：为什么不能凭习惯选内参

原文位置：Introduction 中讨论 housekeeping genes 和 normalization 的部分。

作者在这里强调，传统 housekeeping genes 并不自动等于稳定 reference genes。GAPDH、ACTB、18S rRNA 这些基因在很多体系中常用，但它们也可能被组织类型、疾病状态、细胞培养条件或处理因素影响。

中文理解：内参稳定性不是基因名称自带的属性，而是实验条件下测出来的结果。

对实验的意义：如果你的处理会改变细胞代谢、增殖、应激或分化，传统内参反而可能成为误差来源。此时更应该做候选内参筛选，而不是默认使用实验室习惯。

Materials and Methods：看作者怎么组织输入数据

原文位置：Materials and Methods 中关于 RT-qPCR、reference gene selection 和 software packages 的部分。

这一部分要重点看三件事：作者检测了哪些候选基因，Cq 数据如何进入不同软件，是否使用了 PCR efficiency 校正。论文比较 geNorm、NormFinder、BestKeeper、qBasePLUS、RefFinder 和 R 包时，不只是比较软件名字，而是在比较不同输入和算法实现。

中文理解：软件分析前的数据准备，本身就是方法的一部分。

对实验的意义：你在复用这类方法时，不能只记录“用了 geNorm”。还要记录输入的是 raw Cq、delta Cq 还是 relative quantity，是否输入每对引物的 efficiency，以及样本分组如何设置。

Results：看 efficiency 校正如何改变排序

原文位置：Results 中关于 Table 2、Fig 1 和 Fig 2 的结果。

这一部分是整篇论文最值得细读的地方。作者比较了假设 100% PCR efficiency 和使用实际 efficiency 校正后的稳定性排序，发现 geNorm 和 NormFinder 的结果会发生变化。

中文理解：扩增效率不是论文 Methods 里可写可不写的附属参数，它会影响内参筛选结论。

对实验的意义：如果你没有做标准曲线，也没有确认每对引物的效率，就直接比较 Cq 稳定性，最后选出的内参可能只是“看起来稳定”。

Discussion：作者真正想让你带走的结论

原文位置：Discussion 中关于不同软件、效率校正和工具限制的讨论。

作者并不是说某一个软件最好，也不是说 RefFinder 不能用。更准确的意思是：不同软件适合不同输入和判断维度，实验者要知道工具的前提，而不是只接受最终排名。

中文理解：内参验证需要综合判断，不应该被一个软件排名绑架。

对实验的意义：如果多个工具给出不同结果，不一定说明实验失败。你应该回头看候选基因数量、扩增效率、样本分组、重复孔质量和表达范围，再决定最终内参组合。

具体操作方法

1. 先准备候选内参

论文不是只验证一个常用内参，而是准备多个候选基因。候选基因应尽量来自不同功能类别，避免同一处理条件同时影响一组相关基因。

如果实验条件会改变代谢、细胞周期、应激或分化状态，单独使用 GAPDH、ACTB、TUBB 这类传统内参风险会更高。

2. 获得每个候选基因的 Cq 数据

每个样本都需要检测所有候选内参。数据进入软件前，要先排查明显的技术问题，例如重复孔差异过大、熔解曲线异常、扩增效率不合格、NTC 出峰。

内参验证不是用来拯救低质量 qPCR 数据的，它只是在可靠扩增基础上比较表达稳定性。

3. 输入 PCR efficiency

论文强调 assay efficiency 会影响内参验证。若所有引物都默认 100% efficiency，计算会变得更简单，但不一定符合真实情况。

实际复用时，建议先用标准曲线或稀释梯度确认每对引物的效率和线性范围，再进入稳定性排序。

4. 用多个算法交叉判断

geNorm 更关注基因两两之间的表达稳定关系，NormFinder 会考虑组内和组间变异，BestKeeper 直接从 Cq 层面评估波动。不同算法关注点不同，所以排序不完全一致是正常的。

更稳妥的做法不是盲目相信某一个软件，而是看多个算法是否都支持同一批候选内参。

核心实验参数

主要结果怎么读

Table 1：先看引物信息是否完整

Table 1 列出了 14 个候选 reference genes 的引物信息和退火温度。这个表的意义不只是“告诉你作者用了哪些引物”，而是说明内参验证必须从 assay 层面开始。

复用时要注意两件事：

• 如果你自己设计引物，不能只照着候选基因名单做，还要重新确认特异性、扩增效率和熔解曲线。
• 如果你复用论文引物，也要确认物种、转录本版本、样本类型和扩增片段是否适合你的实验。

Table 2：重点看 efficiency 是否改变排序

Table 2 比较了使用 efficiency-corrected values 和假设 100% efficiency 时的稳定性排序。这个表是整篇论文最关键的证据之一。

作者发现，对于 geNorm 和 NormFinder，是否校正 PCR efficiency 会改变不少基因的排序。也就是说，如果某个工具只接受 raw Cq，或者你默认所有引物效率都是 100%，最终推荐的内参可能会变。

这个结果对实验者的直接提醒是：标准曲线和引物效率不是“附加信息”，而是会进入归一化决策。

Fig 1 / Fig 2：看排名变化，不是只看第一名

Fig 1 和 Fig 2 展示的是效率校正前后，geNorm 和 NormFinder 输出排序的变化。读图时不要只看哪个基因排第一，而要看排序是否整体稳定。

如果多个候选基因的位置发生明显移动，说明这个数据集对 efficiency 很敏感。此时最好不要只凭单个软件或单个排名做决定，而要回到扩增效率、重复孔质量和候选基因表达范围重新检查。

S1 Fig：看需要几个内参

geNorm 的 pairwise variation 可以帮助判断用几个内参比较合适。论文中 FS1 样本和 CIS 样本推荐的内参数量并不完全一样，这说明“用 2 个内参就够”也不是永远成立。

如果你的实验分组复杂、处理强度大、样本来源差异大，最好不要默认单内参或固定两个内参，而是根据自己的数据判断。

作者结论是否站得住

这篇论文的结论比较稳，因为它不是用一个软件证明另一个软件错，而是用同一批数据比较多种实现方式，并且把 PCR efficiency 作为单独变量拿出来测试。

作者的主要论点有三层：

1. 多数算法在最稳定和最不稳定基因上有一定一致性。
2. 原始软件、R 包和 RefFinder 的输出可能不同。
3. 是否纳入 assay efficiency 会影响 geNorm 和 NormFinder 的排序。

这个推理链条比较清楚：如果同一数据在 efficiency 处理方式不同的情况下得到不同排序，那么工具输出就不能脱离输入条件来解释。

但也要看到限制：论文只验证了特定组织、特定细胞模型和 14 个候选基因。它能支持“内参验证要考虑 efficiency 和软件差异”，但不能支持“某个内参适合所有 qPCR 实验”。

实验结论

论文的核心结论是：内参验证需要把实验数据、扩增效率和算法选择一起考虑。R 包和商业软件在某些算法上可以得到一致排序，但前提是输入和参数处理一致。

这也说明，qPCR 结果报告中只写“normalized to GAPDH”是不够的。更合理的报告方式应包括候选内参、筛选方法、扩增效率和最终选择理由。

实验中的核心关键点

• 先验证再使用：内参稳定性是实验条件相关的，不是基因名称自带的属性。
• 候选数量要足够：只比较 2 个候选内参，容易被迫接受不够稳定的基因。
• 效率会影响排序：不同引物效率差异明显时，默认 100% 会带来偏差。
• 多个算法交叉判断：软件排序不同不一定是错误，而是统计假设不同。
• 最好使用内参组合：单内参归一化更容易被个别基因波动影响。

可以参考什么

可以参考这篇论文的内参验证流程：先筛候选基因，再做扩增质量控制，然后用多个工具比较稳定性，最后确定一个内参组合。

如果你的处理条件会改变细胞状态，尤其是刺激、药物处理、转染、分化、缺氧、炎症模型，更应该把内参验证作为正式实验前的一部分。

更具体地，可以参考这个执行顺序：

1. 先选 8-15 个候选 reference genes。
2. 对每对引物做标准曲线，得到 efficiency 和 R2。
3. 用正式样本或代表性 pilot 样本跑全部候选内参。
4. 剔除熔解曲线异常、重复孔差异过大或效率不合格的 assay。
5. 分别用 geNorm、NormFinder、BestKeeper 等工具分析。
6. 比较多个工具的共同推荐，而不是只看一个排名。
7. 用 2 个或更多稳定内参计算 normalization factor。

这篇论文适合解决哪些问题

这篇论文最适合帮助你处理这些情况：

• qPCR 目标基因 fold change 看起来很大，但内参 Cq 也在变。
• 不知道 GAPDH、ACTB、18S rRNA 到底能不能用。
• RefFinder、geNorm、NormFinder 排名不一致。
• 审稿人要求说明 reference gene validation。
• 同一批样本用不同内参归一化后结论不同。

如果你的问题是“完全没有扩增”“熔解曲线多峰”“NTC 有曲线”，那这篇论文不是第一优先级。那些问题应先解决扩增体系和污染问题，再谈内参稳定性。

和 BioHelper 其他内容的关系

如果你的 qPCR 内参在处理组和对照组间明显波动，可以看 qPCR 内参不稳定怎么办。

如果要确认引物效率和特异性，可以配合 qPCR 标准曲线怎么做 和 引物分析工具。