演示数据与计算方法

首页的火山图、热图与 PCA 来自同一份 400 × 12 合成表达矩阵。以下说明对应图中的实际计算口径；所有数据仅作演示，不代表真实实验结论。

输入：同一份表达矩阵

随机种子为 20261010。矩阵包含 400 个抽象特征，A、B 两组各 6 个样本，共 12 列样本。输入已经是归一化后的 log₂ 表达值，不是 RNA-seq 原始计数，也没有对应真实基因或通路。

每个特征采用双侧 Welch t 检验比较两组，再用 Benjamini–Hochberg（BH）方法进行多重检验校正。横轴 log₂FC 为 B 组均值减 A 组均值，纵轴为 −log₁₀（BH 校正 P 值）。同时满足 BH 校正 P < 0.05 与 |log₂FC| ≥ 1 的点着色。

选择方差最高的 24 个特征，逐行使用样本标准差计算 Z 分数。行使用欧氏距离、平均连接法聚类，列保持 A、B 分组顺序。色阶限制在 −2.5 至 +2.5；超出范围的值以端点颜色显示。

使用全部 400 个特征。按特征中心化，不做方差标准化，再用奇异值分解（SVD）计算主成分及解释方差。横纵轴对应 PC1、PC2；轴上的百分比表示各主成分解释的方差比例。

三种图形使用同一份合成矩阵，分别展示组间变化、表达模式与样本关系。它们用于说明图表制作能力，不支持真实生物学结论。这里没有进行 DESeq2、UMAP 或通路富集分析。

归档中的药理图版同样使用合成数据：3 组 × 9 个浓度 × 4 次重复，共 108 个值。浓度单位为 μM，横轴为对数。使用无权最小二乘拟合四参数抑制型 Logistic 模型：

Bottom + (Top − Bottom) / (1 + (c / IC50)^Hill)

IC50 对应上下平台中点的浓度，不必然是原始响应值 50%。误差线为样本标准差；残差为原始响应减拟合响应，单位为百分点。未给出置信区间或疗效结论。