用途：对 bulk RNA-seq 计数数据进行差异表达分析，比较实验条件（如处理组与对照组），支持多因素设计以校正批次效应或协变量，也可将 R 版 DESeq2 流程迁移到 Python 管线。
主要能力：提供 DeseqDataSet 与 DeseqStats 两类核心对象，完成归一化（size factors）、基因离散度拟合、MAP 离散度收缩、log fold change 拟合、Cook's 距离离群检测与可选重拟合；Wald 检验支持 alpha 阈值、Cook's 过滤与独立过滤，padj 采用 Benjamini-Hochberg FDR 校正；可选 lfc_shrink() 应用 apeGLM 收缩，仅影响 log2FoldChange，不改变 p 值。结果 DataFrame 含 baseMean、log2FoldChange、lfcSE、stat、pvalue、padj。
使用方式：安装 uv pip install pydeseq2。计数矩阵需为样本×基因，常需 .T 转置；元数据为样本×变量。设计公式用 R 风格，如 "~condition"、"~batch + condition"、"~age + condition"。典型流程：读取 counts 与 metadata、过滤低计数基因（如总和≥10）、构建 DeseqDataSet 并调用 dds.deseq2()、用 DeseqStats 指定 contrast=[变量, 测试水平, 参考水平] 并 summary()、按 padj<0.05 筛选、可导出 CSV 或 pickle。技能附带命令行脚本 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：两组比较、多处理组对对照、批次校正、连续协变量、火山图与 MA 图可视化、结果排序与导出。
限制：需 Python 3.10-3.11 及 pandas、numpy、scipy、scikit-learn、anndata 等依赖；设计矩阵须满秩，变量混杂会报错；样本名需与元数据一致；低表达基因与缺失元数据样本应预先过滤；收缩值仅用于可视化与排序，显著性仍以未收缩 p 值为准。官方文档 https://pydeseq2.readthedocs.io，仓库 https://github.com/owkin/PyDESeq2。