用途：该技能使用 PyDESeq2（R DESeq2 的 Python 实现）对批量 RNA-seq 原始计数做差异表达分析，覆盖从原始计数到结果表与可视化的完整流程。
主要能力：逐基因拟合负二项广义线性模型，经经验贝叶斯收缩估计离散度，执行 Wald 检验并按 Benjamini-Hochberg 校正 FDR；支持两组比较（如处理 vs 对照）、多因素设计（如 ~batch + condition）、apeGLM log2 倍数变化收缩，以及导出上/下调基因表；火山图与 MA 图数据交由 omics-plotting 技能渲染。
使用方式：安装命令为 pip install pydeseq2 matplotlib seaborn；依赖 pydeseq2>=0.4、pandas>=1.4、numpy>=1.23、scipy>=1.11、scikit-learn>=1.1、anndata>=0.8，需 Python 3.10+。数据为原始未归一化整数计数矩阵（样本 x 基因）加样本元数据。流程：创建 DeseqDataSet 并指定 design 公式、运行 dds.deseq2()、用 DeseqStats 指定 contrast=[变量, 测试水平, 参考水平] 与 alpha，调用 ds.summary()，可选 ds.lfc_shrink()，再过滤并导出 CSV。
适用场景：两组或多组差异基因识别、含批次/协变量校正的多因素设计、将 DE 整合进 Python 流程（如与 scanpy、pandas 配合）、把 R DESeq2 工作流迁移到纯 Python 环境。若需参考 R 实现与更广的方法支持，建议改用 DESeq2（R/Bioconductor）或 edgeR。
限制：需原始计数而非已归一化数据；低表达基因需过滤；设计矩阵不可不满秩；LFC 收缩仅用于排序和可视化，不用于显著性判定；数据量过大时可能内存不足。