用途：在 Python 中运行 DESeq2 风格的差异表达分析。适用于原始整数计数矩阵的病例对照 bulk RNA-seq、需校正批次或协变量的多因素设计、把 R 版 DESeq2 流程迁移到 Python，以及希望结果保留在 pandas/AnnData 对象中以便下游质控、绘图与报告的场景。
主要能力：端到端类 DESeq2 流程，包括归一化（size factors）、离散度估计与收缩、LFC 拟合、离群值处理；Wald 检验配合 Benjamini–Hochberg FDR（padj）；支持 Wilkinson/R 风格设计公式（单因素与多因素，如 ~ condition、~ batch + condition）；基于 contrast=["variable","test_group","reference_group"] 的比较；可选的 Cook's distance 离群值过滤与重拟合；可选的 LFC 收缩（apeGLM 风格）用于绘图与排序；与 pandas 配合，并可互操作 AnnData。输出常见列含 baseMean、log2FoldChange、lfcSE、stat、pvalue、padj。
依赖与安装：Python 3.10–3.11，pydeseq2，pandas >= 1.4.3，numpy >= 1.23.0，scipy >= 1.11.0，scikit-learn >= 1.1.1，anndata >= 0.8.0（可选）；绘图可选 matplotlib（推荐）与 seaborn。安装命令：uv pip install pydeseq2。
使用方式：读取计数矩阵（需为样本 × 基因，非负整数；若文件为基因 × 样本，加载后用 .T 转置），对齐元数据，过滤低计数基因并删除缺失条件样本；用 design 公式和 refit_cooks 构建 DeseqDataSet 并调用 deseq2()；用 DeseqStats 指定 contrast、alpha、cooks_filter、independent_filter 后调用 summary()；按 padj 阈值筛选显著基因，可调用 lfc_shrink() 获得更稳定的 LFC 用于可视化，并导出结果 CSV；可选绘制火山图。若仓库附带，可参考 references/api_reference.md、references/workflow_guide.md 及 scripts/run_deseq2_analysis.py。
限制：输入计数必须为非负整数且方向为样本 × 基因；LFC 收缩仅用于可视化与优先级排序，统计显著性仍基于未收缩的 Wald 检验 p 值。其他未在资料中说明的功能、收费、价格与平台情况暂未提供。