用途：对 bulk RNA-seq 计数数据进行差异表达分析，比较处理组与对照组基因表达，支持多因子设计以校正批次或协变量，并将 R 版 DESeq2 流程迁移到 Python 管道。
主要能力：可指定设计公式（如 "~condition"、"~batch + condition"、"~group + condition + group:condition"）；运行完整 DESeq2 流程（计算 size factors、基因离散度、趋势曲线、MAP 离散度收缩、log fold change、Cook's 距离及异常值重拟合）；执行 Wald 检验，对比度格式为 [变量, 测试水平, 参考水平]，并用 Benjamini-Hochberg 校正得到 padj；可选 apeGLM LFC 收缩（仅影响 log2FoldChange，不影响 p 值）；结果含 baseMean、log2FoldChange、lfcSE、stat、pvalue、padj，可导出 CSV 或 pickle。
使用方式：安装 uv pip install pydeseq2；输入为样本×基因的非负整数计数矩阵和样本×变量元数据。基本流程：加载并转置计数、过滤低计数基因（如总计数 <10）、构建 DeseqDataSet、调用 dds.deseq2()、用 DeseqStats 指定对比度并 summary()，再按 padj<0.05 筛选。也提供命令行脚本 scripts/run_deseq2_analysis.py，支持 --counts、--metadata、--design、--contrast、--output、--min-counts、--alpha、--n-cpus、--plots 等参数。
适用场景：双组比较、多处理组分别与对照比较、批次效应校正、连续协变量（如年龄）纳入模型、结果可视化与基因排序。
限制与注意：计数矩阵需为样本×基因方向，否则应转置；需保证样本名一致，剔除元数据缺失样本；设计矩阵须满秩，避免变量混杂；应使用 padj 而非原始 p 值判断显著性；LFC 收缩应在统计检验后、仅用于可视化或排序；Python 版本要求 3.10-3.11，依赖 pandas、numpy、scipy、scikit-learn、anndata，可视化可选 matplotlib、seaborn；收费、价格、平台等信息暂未提供。