用途：在差异表达分析前对 RNA-seq 计数矩阵做质量控制与探索，评估测序深度、样本组成、样本关系与离群值，并决定是否移除或建模。
主要能力：加载计数矩阵并构建 DESeqDataSet，统计每样本文库大小与检出基因数；用 edgeR filterByExpr 或按最小计数与样本数过滤低表达基因；用 DESeq2 中位数比值或 edgeR TMM 估计大小因子；用 vst()（快，默认，适合 n>30）或 rlog()（慢，适合小 n 与异质设计，但大小因子跨度大时可能过度收缩）做方差稳定变换；在 VST 矩阵上做 PCA、样本距离热图；用 Cook 距离区分单基因离群与整样本离群；将已知批次放入 design（如 ~ batch + condition），未知结构可用 sva/svaseq 或 RUVSeq；用大小因子、性别基因（XIST、RPS4Y1、UTY、DDX3Y）与基因型一致性工具筛查样本互换。
必要用法：DE 检验须用原始计数加大小因子偏移，变换矩阵仅用于 QC 与可视化，不可回灌计数模型。R 示例：library(DESeq2)；dds <- DESeqDataSetFromMatrix(countData=counts, colData=coldata, design=~condition)；vsd <- vst(dds, blind=TRUE)；plotPCA(vsd, intgroup='condition')；cooks <- assays(dds)[['cooks']]。Python 可用 sklearn PCA 与 seaborn clustermap，但 log-CPM PCA 仅作快速查看，正式 QC 建议在 R 中算 VST 后导入。
适用场景：RNA-seq 计数矩阵的预处理 QC、批次与离群评估、样本身份核查。
限制：CPM/TPM 不校正组成偏差，不能用于跨样本 DE 归一化；不要对标准 RNA-seq 去重（仅 UMI 数据去重）；不要将 removeBatchEffect 或 ComBat 结果送入 DESeq2/edgeR；批次与条件完全混杂时统计上无法修复。版本兼容性需自行核对，资料未提供具体收费、平台与效果信息。